作者：

翻译：放飞梦想

校对:魔都斯卡

作为一个数据分析人员，如何开始数据分析?怎么开始?是一个很多初学者都很烦恼的事情。

想要知道怎么办，这篇文章以实例给出了答案。

在这篇文章中简要介绍了如何在Python中利用pandas和matplotlib做探索性数据分析（EDA）。

什么是探索性数据分析？

维基百科是这么解释的：

在统计学中，探索性数据分析（EDA）是一种分析数据集以总结其主要特征的方法，通常采用可视方法。可以使用或不使用统计模型，但主要是EDA用于查看数据在正式建模或假设检验任务之外可以告诉我们的内容。

你可以说EDA是统计学家的故事讲述方式，你可以在哪里探索数据，找到模式并讲述见解。通常，您会遇到一些问题，尝试通过执行EDA来验证这些问题。

数据分析都在用的诀窍：用Python做数据探索

Python中的EDA

很多Python库可以支持基本的EDA，本文使用和matplotlib，加上Jupyter notebook来做EDA。Jupyter notebook是一种用于数据分析和数据科学处理的工具，这是一个基于Web的平台，可以将Python，html和Markdown混合在一起来形成数据探索报告。

可以将Python，html和Markdown混合在一起来形成数据探索报告

这个例子使用的数据属于一个虚构的超级商店。目标是 通过探索数据，找到一些问题的答案，例如销售方面的最佳日期，最适合的时间，以便相应地安排员工。

如果您没有安装jupyter，请通过运行该命令进行安装 pip install jupyter

如果你使用的是Anaconda版本的Python，那么Jupyter和Pandas就已经存在了。我强烈建议使用它，因为它专用于数据分析或数据科学的用户。

通过运行命令启动Jupyter Note book jupyter-notebook，它将在您的默认浏览器中打开一个界面。创建一个新笔记本并命名，你会看到如下所示：

可以在单元格中以Markdown格式添加文本，在下一个单元格中，可以开始编写代码。Jupyter笔记本有*.pynb扩展。

在第一个单元格中，刚刚添加了一个要做什么的标题。你可以在这里添加任何东西，甚至是你的私人笔记。

首先需要获取数据。数据以CSV格式提供。导入后，用 read_csv的方法pandas来读取CSV文件。

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
%matplotlib inline

如果你注意到添加了%matplotlib inline。它的作用是在页面上呈现内联图。你很快就会看到它是如何发生的。接下来，在必要时阅读CSV和数据清理。

df = pd.read_csv（'data.csv'） 
df ['Amount'] = df ['Amount']。str.replace（'$'，''）。str.replace（'，'，''） 
df ['Amount'] = pd.to_numeric（df ['Amount']）

来解释下这段代码。

首先删除了数据中的$符号，然后将字符串字段转换为数字，为什么要转为数字呢？

因为我们要在这个float字段上执行数学运算。一旦完成，数据就预处理好了。点击Shift+Enter运行，将出现如下结果：

通过数据探索，发现BranchName字段不必要，因为我们只有一个商店的数据！

所以让我们删除它！

df.drop('BranchName',axis=1, inplace=True) 
df

它将删除列，inpace=True使其在现有的DataFrame情况下删除而不重新分配。再次运行，显示如下数据：

OK ！操作清理完成后，让我们深入了解数据并找到更多的数据特征！

要做的第一件事就是找出记录数量和功能或列数。为此，将执行df.shape。当我这样做时，会发现以下结果：

（4100,9）

这是什么意思？它实际上是行x列。所以这里有4100条记录和9列，因为您也可以计算上面的列数。

除了需要了解到有多少记录和列，但是，更需要了解这个数据的详细摘要，因为将要运行df.describe()，当我这样做时输出：

好的，这里给出一些有趣的信息 如果你看到count它告诉你4100这里的记录数相同。您可以看到所有列具有相同的计数，这意味着那里没有丢失的字段。您也可以查看单个列数，例如，Units我所要做的就是：

df['Units'].count()

您将了解数据的可用性，平均值，最小值和最大值以及标准偏差和中位数。百分位数也在那里。标准偏差是一个非常有用的工具，可以确定数据如何在均值之上或之下传播。值越高，可靠性越低，反之亦然。举例std的Amount是183.5，而平均大约是35。另一方面，Units是12.7和的意思std是17.85。

让我们看看分布 Amount

num_bins = 10

plt.hist（df ['Amount']，num_bins，normed = 1，facecolor ='blue'，alpha = 0.5）

plt.show（）

它输出：

注意数据基线变动非常大，从+ -1000到不等1000

下面再让我们按月，日和小时查找销售情况。

按月销售

sales_by_month = df.groupby('Month').size()
print(sales_by_month)
#Plotting the Graph
plot_by_month = sales_by_month.plot(title='Monthly Sales',xticks=(1,2,3,4,5,6,7,8,9,10,11,12))
plot_by_month.set_xlabel('Months')
plot_by_month.set_ylabel('Total Sales')

您可以使用.size()仅获取特定列的聚合值或.count()每列的聚合值。因为我们只需要Month这样，所以我使用了它。绘制图表，你会发现：

如图所示，生活很美好，但直到七月，随后发生了一些事情，8月急剧下降，然后工作人员在接下来的3个月里努力工作，然后情况急剧恶化。

让我们看看日销售情况。

按日销售

# By Day
sales_by_day = df.groupby('Day').size()
plot_by_day = sales_by_day.plot(title='Daily Sales',xticks=(range(1,31)),rot=55)
plot_by_day.set_xlabel('Day')
plot_by_day.set_ylabel('Total Sales')

输出是：

本月底销售额大幅下降，否则持续不断上涨，第18天相当不错。

按小时销售

sales_by_hour = df.groupby('Hour').size()
plot_by_hour = sales_by_hour.plot(title='Hourly Sales',xticks=(range(5,22)))
plot_by_hour.set_xlabel('Working Hours')
plot_by_hour.set_ylabel('Total Sales')

输出：

从图中可以看到，好像中午之后客户访问的时间比关闭和开放时间更多。

结论

当然，数据探索远远不止这些，可以继续下去，找到更多的数据规律，但这应该足以让您了解如何利用EDA从数据中找到规律。

作为一个小练习

作为一个小练习，在数据中有一个字段Transaction Type，您的任务是找出每种交易类型的销售额。请把你的解答发到后面。