一鍵自動化資料分析！快來看看這些寶藏工具庫
- 作者：韓信子@ShowMeAI
- 資料分析實戰系列：http://www.showmeai.tech/tutorials/40
- 本文地址：http://www.showmeai.tech/article-detail/284
- 宣告：版權所有，轉載請聯絡平臺與作者並註明出處
- 收藏ShowMeAI檢視更多精彩內容
實際工作中，我們往往依託於業務資料分析制定業務策略。這個過程需要頻繁地進行資料分析和挖掘，發現模式規律。對於演演算法工程師而言，一個有效的 AI 演算法系統落地，不僅僅是模型這麼簡單——資料才是最底層的驅動。
典型的『機器學習工作流程』包含 6 個關鍵步驟，其中『探索性資料分析（Exploratory Data Analysis, EDA） 』是至關重要的一步。
- 定義問題
- 資料採集和 ETL
- 探索性資料分析
- 資料準備
- 建模（模型訓練和選擇）
- 部署和監控
Wiki: In statistics, exploratory data analysis is an approach of analyzing data sets to summarize their main characteristics, often using statistical graphics and other data visualization methods. A statistical model can be used or not, but primarily EDA is for seeing what the data can tell us beyond the formal modeling and thereby contrasts traditional hypothesis testing.
探索性資料分析，通常使用統計圖形等資料視覺化方法，探索資料的結構和規律，總結資料主要特徵的方法。這一過程通常包含細碎的處理步驟和分析操作。
探索性資料分析 EDA 的常用工具
優秀的工具可以簡化上述過程！甚至可以一鍵生成分析報告。本篇 ShowMeAI 給大家總結了截至 2022年 最受歡迎的探索式資料分析工具庫，快一起試起來吧！
通常，我們有以下 3 種方式進行 EDA：
- 方式1：在 Python/R 中使用庫/框架手動分析
- 方式2：在 Python/R 中使用自動化 EDA 庫
- 方式3：使用 Microsoft Power BI 或 Tableau 等工具
3種方式對應的最佳工具庫我們梳理到下文中了，對自動化資料分析感興趣的同學可以直接跳至『自動化EDA工具庫』板塊。