文章目录
![在这里插入图片描述](https://img-blog.csdnimg.cn/20190330103602741.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQyNjQyOTQ1,size_16,color_FFFFFF,t_70)
欢迎购买正版书籍
豆瓣评价:Python数据分析与挖掘实战
作者: 张良均 / 王路 / 谭立云 / 苏剑林
出版社: 机械工业出版社
数据探索
数据探索有助于选择合适的数据预处理和建模方法,甚至可以完成一些通常有数据挖掘解决的问题
数据质量分析
数据预处理的前提
数据质量分析的主要任务是检察院数据是否有脏数据:
脏数据内容:
- 缺失值
- 异常值
- 不一致的值
- 重复数据及含有特殊符号的数据
缺失值分析
缺失值主要包括记录的确实和记录中某个字段信息的缺失
缺失值产生的原因
缺失值的影响
缺失值的分析
异常值分析
异常值分析师检验数据是否有录入错误以及含有不合理的数据。
异常值是指样本中的个别值,其数据明显偏离其他的观测值。异常值也称为离散点,异常值的分析也称为离散点分析。
- 简单统计量分析
常见统计量分析:最大值,最小值 - 3δ原则
如果数据服从正态分布,在3δ原则下,异常值被定义为一组测定值中与平均值的偏差超过3倍标准差的值 - 箱形图分析
所谓“鲁棒性”,是指控制系统在一定(结构,大小)的参数摄动下,维持其它某些性能的特性。
所谓“稳定性”,是指控制系统在使它偏离平衡状态的扰动作用消失后,返回原来平衡状态的能力。
稳定性是指系统受到瞬时扰动,扰动消失后系统回到原来状态的能力,而鲁棒性是指系统受到持续扰动能保持原来状态的能力。
pandas中只需要读入数据后,使用describe()函数就可以查看数据的基本情况
例如:
import pandas as pd
catering_sale = 'catering_sale.xls' # 销售数据
# 读取数据,制定‘日期'列为索引列
data = pd.read_excel(catering_sale,index_col = u'日期')
data.head()
#describe()函数自动计算的字段有count(非空值数)、unique(唯一值数)、top(频数最高者)、freq(最高频数)
data.describe()
使用箱线图,检测餐饮销售额数据异常值,代码如下:
# 制作箱线图
import pandas as pd
import matplotlib.pyplot as plt
%matplotlib inline
catering_sale = './catering_sale.xls'
data = pd.read_excel(catering_sale, index_col=u'日期')
print(data.describe())
# 使用盒图来展示数据
plt.rcParams['font.sans-serif'] = ['SimHei'] # 中文字体设置
plt.rcParams['axes.unicode_minus'] = False #负号显示
# 画箱线图
plt.figure(figsize=