EDA（探索性数据分析）用于在深入进行更高级分析之前，调查和理解数据集。

​

探索性数据分析至关重要，因为它揭示了：

> 数据的特征

> 帮助假设的制定

> 模式或异常的识别

EDA的步骤包括：

1. 数据熟悉

EDA的第一步涉及理解手头的数据集。

这包括探索数据集的大小、它包含的变量类型，以及数据的统计属性概览。

2. 数据清洗

数据质量很重要！

在这一阶段，数据科学家识别并纠正数据集中的缺失值、异常值和任何不一致。

这一细致的过程确保后续分析基于健壮、准确的数据。

3. 初步分析

例如：

单变量分析，了解变量的分布

双变量分析，揭示潜在的关联或依赖性

多变量分析，如PCA（主成分分析），以降低维度

这些分析为后续工作提供了极好的基础

4. 可视化

热图、条形图和散点图等视觉表示在EDA中不可或缺。

它们有助于更有效地传达洞察力，并可能揭示表格数据中隐藏的模式。

5. 假设制定

EDA通常会导致关于数据的假设制定，然后可以通过统计方法进行严格测试。

最后，通过EDA获得的洞察力被有效地记录和传达。

这包括清晰的解释、视觉辅助工具和进一步分析或决策的可操作建议。

单变量分析、双变量分析和多变量分析是探索性数据分析的类型。

​

它们基于被分析的变量数量。

单变量分析是最简单、最容易的数据分析形式，其中被分析的数据只包含一个变量。

例如 - 研究NBA球员的身高。

单变量分析可以用中心趋势（Central Tendency）、离散度（Dispersion）、四分位数（Quartiles）、条形图（Bar charts）、直方图（Histograms）、饼图（Pie charts）和频率分布表（Frequency distribution tables）来描述。

双变量分析涉及分析两个变量，以找到变量之间的原因、关系和相关性。

例如 - 根据外部温度分析冰淇淋的销售。

双变量分析可以用相关系数（Correlation coefficients）、线性回归（Linear regression）、逻辑回归（Logistic regression）、散点图（Scatter plots）和箱形图（Box plots）来解释。

多变量分析涉及分析三个或更多变量，以了解每个变量与其他变量的关系。

例如 - 根据支出分析收入。

多变量分析可以使用多元回归（Multiple regression）、因子分析（Factor analysis）、分类和回归树（Classification & regression trees）、聚类分析（Cluster analysis）、主成分分析（Principal component analysis）、双轴图表（Dual-axis charts）等方法进行。