使用Python中的函数优化探索性数据分析！
这是对任何数据集进行的分析量的完美说法。
随着越来越多的人选择从事数据科学事业，越来越需要一种Fastrack方法来指导每个人走这条道路。我以python为基础开始学习，然后逐渐增加了一些技能，这些技能帮助我在数据科学领域发展。
功能EDA
在这篇文章中，我将添加可用于任何数据集上的探索性数据分析（EDA）的所有重要步骤和python函数。
好的，今天的计划是尽我们最大的努力来探究数据，并尽我们所能，但要以一种优化的方式。我写这篇文章是为了共享用户定义的功能，以帮助并缩短EDA编码时间。
在项目中要遵循的最重要步骤是：
导入数据
资料验证
列数据类型
估算空值/缺失值
数据探索（EDA）
单变量
双变量
多变量
特征工程
转换/缩放
模型构建（应用机器学习算法）和调整
分数计算
综上所述，我们将介绍EDA的功能。同样，如果您在使用这些打印机时遇到任何问题，或者在任何其他方面需要任何帮助，请在评论中让我知道。有几种实现方法，但我选择了最通用的方法。
指数
介绍
单变量分析
双变量分析
多元分析
有用的功能
概要
介绍
任何分析问题中最重要且最耗时的部分是了解数据。花时间研究数据比一次又一次地编码同一件事更好。
我们今天要构建的功能非常通用，您可以根据需要对其进行调整。
python中用户定义函数的伪代码为：
功能定义：
          def func_name（parameters）：＃函数名称和参数
                 “ function_steps”
                   function_commands
                  返回[return_value]
函数调用：
            func_name（参数）
单变量分析功能：
转到EDA，我们可以一次定义任何函数，然后通过将数据集中的要素名称作为参数传递来调用它。我已经附加了一个GitHub链接，该链接演示了下面描述的所有功能的实现– Github – https://github.com/r-pant/data-h ... 20sales/file1.ipynb
分类：
在功能图下方，传递给功能的功能的计数图。
            def plot_cat（var，l = 8，b = 5）：
                       plt.figure（figsize =（l，b））
                       sns.countplot（df1 [var]，order = df1 [var] .value_counts（）。index）
连续：
对于连续功能的简单distplot
               def plot_cont（var，l = 8，b = 5）：
                     plt.figure（figsize =（l，b））
                     sns.distplot（df1 [var]）
                     plt.xlabel（var）
2.要查看包含所有详细信息的详细kde图：
               ＃用中值和标准值绘制kde图
               def plot_cont_kde（var，l = 8，b = 5）：
                     mini = df1 [var] .min（）
                     maxi = df1 [var] .max（）
                     ran = df1 [var]。 max（）-df1 [var] .min（）
                    平均值= df1 [var] .mean（）
                    偏斜= df1 [var] .skew（）
                     kurt = df1 [var] .kurtosis（）
                    中位数= df1 [var] .median （）
                     st_dev = df1 [var] .std（）
                    点=均值-st_dev，均值+ st_dev
                     图，轴= plt.subplots（1
                      sns.boxplot（data = df1，x = var，ax = axes [0 ]）
                     sns.distplot（a = df1 [var]，ax = axes [1]，color ='＃ff4125'）
                      sns.lineplot（points，[0
                      sns .scatterplot（[mini，maxi]，[0
                      sns.scatterplot（[mean]，[0]，color ='red'，label =“平均值”）
                      sns.scatterplot（[median]，[0]，color ='blue'，label =“ median”）图
                     .set_size_inches（l，b）
                      plt.title（'std_dev = {};峰度= {}; nskew = {}; range = {} nmean = {};
                                中位数= {}'。format（（round（points [0]，2），round（points [1]，2）），
                                圆（kurt，2），圆（skew，2），（圆（mini，2），圆（maxi，2），
                                round（ran，2），round（mean，2），round（median，2）））
双变量分析功能：
双变量分析对于找出相关模式并检验我们的假设非常有帮助。这将帮助我们推断并构建不同的功能以馈入模型。
类别-类别：
         def BVA_categorical_plot（data，tar，cat）：
               '''取得数据和两个分类变量，
               计算两个变量之间的               chi2显着性，
并使用countplot和CrossTab打印结果
              '''
               ＃分离变量
              data = data [[cat， tar]] [：]
               ＃形成交叉
              表table = pd.crosstab（data [tar]，data [cat]，）
               f_obs = np.array（[table.iloc [0] [：]。values，
               table.iloc [ 1] [：]。values]）
               ＃              从scipy.stats执行chi2测试
import chi2_contingency
              chi，p，dof，期望= chi2_contingency（f_obs）
              ＃             如果p <0.05，则检查结果是否显着
：
                   sig = True
             其他：
                   sig = False
              ＃对分组的图进行
             sns.countplot（x = cat，hue = tar，data = data ）
              plt.title（“ p值= {} n差异显着吗？= {} n” .format（round（p，8），sig））
              ＃绘制             百分比堆积条形图
＃sns.catplot（ax，kind ='堆叠'）
              AX1 = data.groupby（猫）[焦油] .value_counts（正规化=真）.unstack（）
              ax1.plot（种类='酒吧”，叠= '真'，标题= STR（AX1））
             int_level = data [cat] .value_counts（）
分类连续：
在这里，我使用了两个函数，一个函数计算z值，另一个函数绘制特征之间的关系。
    def TwoSampleZ（X1，X2，sigma1，sigma2，N1，N2）：
          '''
          函数采用均值，标准差和否。观察值和返回值：         从numpy导入sqrt，abs，
          scipy取整为2采样Z检验         '''
计算的p值
.stats导入范数
         ovr_sigma = sqrt（sigma1 ** 2 / N1 + sigma2 ** 2 / N2 ）
           z =（X1-X2）/ ovr_sigma
           pval = 2 *（1-norm.cdf（abs（z）））
           return pval
                  --------------------- -------------------------------------------------- -------------------------------------------------- -
       DEF Bivariate_cont_cat（数据，CONT，猫，类别）：
           应#creating 2个样品
           x1 = data [cont] [data [cat] == category] ??[：]＃所有分类特征
           x2 = data [cont] [?（data [cat] == category）]] [：]＃所有连续特征＃计算
           描述性
           n1，n2 = x1.shape [0]，x2.shape [0]
            m1，m2 = x1.mean（），x2.mean（）＃计算平均值
           std1，std2 = x1.std（），x2.mean（） ＃计算标准差＃计算
            p值
            z_p_val = TwoSampleZ（m1，m2，std1，std2，n1，n2）
             #table
             table = pd.pivot_table（data = data，values = cont，column = cat，aggfunc = np.mean ）
             #plotting
             plt.figure（figsize =（15
             #barplot
            plt.subplot（1
             sns.barplot（[str（category），'not {}'。format（category）]，[m1，m2]）
             plt.ylabel（'mean {}'。format（ cont））
             plt.xlabel（cat）
             plt.title（'n z-test p-value = {} n {}'。format（z_p_val，table））
             ＃
             boxplot plt.subplot（1
             sns。 boxplot（x = cat，y = cont，data = data）
             plt.title（'分类盒图'）
连续-连续：
           ＃定义一个函数来计算列之间的相关性：
      def corr_2_cols（Col1，Col2）：
           res = pd.crosstab（df1 [Col1]，df1 [Col2]）
           ＃res = df1.groupby（[Col1，Col2]）。size（ ）.unstack（）
           res ['perc'] =（res [res.columns [1]] /（res [res.columns [0]] + res [res.columns [1]]））
          返回res
多元分析功能：
       def Grouped_Box_Plot（data，cont，cat1，cat2）：
             #boxplot
             sns.boxplot（x = cat1，y = cont，hue = cat2，data = data，orient ='v'）
             plt.title（'Boxplot'）
题库