xticklabel 显示下划线_探索性数据分析基本流程

以分析数据集未前往就诊的预约挂号为例，总结一下探索性数据分析的基本流程。

目录

简介

数据集的简介

数据来源kaggle，未前往就诊的挂号预约指一个人预约了医生，收到了所有的指示却没有按约去医院就诊。该数据集包含11万条巴西病人预约挂号的求诊信息，每行数据包含有关患者特点的14个变量，具体有：PatientId：病人ID，

AppointmentID：预约流水号ID，

Gender：预约者的性别，

ScheduledDay：作出预约的具体时间，

AppointmentDay：预约的就诊日期，

Age：病人年龄，

Neighbourhood：医院所在位置，

Scholarship：是否参加巴西福利项目 Bolsa Família

Hipertension： 是否是高血压，

Diabetes：是否是糖尿病，

Alcoholism：是否是酗酒，

Handcap：是否是残障，

SMS_received：病人是否收到短信通知，

No-show：no表示病人如约就诊，yes表示病人没有前往就诊。

提出问题

数据分析的目标就是解决问题，提出感兴趣的或是以业务为导向的问题。一般是两种情况：要么获取一批数据，然后根据它提问；要么先提问，然后根据问题收集数据。 这里提的问题如下：病人的年龄是如何分布的？哪个年龄段的病人更多？

未按约去就诊的病人有多少？占多大的比例？

人们一般会预约在一周的哪一天就诊？

一天中的哪个时段，预约的人最多？

一般会提前几天预约挂号，即病人等待就诊的时长是多久？

哪些重要因素会影响病人是否如约去就诊？例如，年龄，性别，是否参加福利项目，一周中的哪天就诊等。

理解数据

理解数据背景，每个字段的实际含义。主要包括：导入数据和查看数据基本信息，比如，一些描述统计信息。

导入必要的包和数据：

import pandas as pd

import numpy as np

import matplotlib.pyplot as plt

import seaborn as sns

%matplotlib inline

df = pd.read_csv('noshowappointments-kagglev2-may-2016.csv')

查看基本信息

查看数据集中有哪些列

df.head()

查看数据集是否有缺失值、重复值以及每列的数据类型。共14列，每列都是110527个值，不存在缺失值，也不存在重复值。

df.info()

df.duplicated().sum()

检查异常值，发现年龄的最小值有误。

df.describe()

df.Age.describe()

输出如下：

count 110527.000000

mean 37.088874

std 23.110205

min -1.000000

25% 18.000000

50% 37.000000

75% 55.000000

max 115.000000

Name: Age, dtype: float64

数据清洗

这一步主要是评估数据来识别数据质量或结构中的问题，并通过修改、替换或删除数据来清理数据，以确保数据集具有最高质量和尽可能结构化。

1、将所有列名统一修改成小写并以下划线连接，便于操作。

df.rename(columns=lambda x: x.strip().lower().replace('-','_