太赞了！这4款Pandas自动数据分析神器

我们做数据分析，在第一次拿到数据集的时候，一般会用统计学或可视化方法来了解原始数据。

了解列数、行数、取值分布、缺失值、列之间的相关关系等等，这个过程叫做 EDA （Exploratory Data Analysis，探索性数据分析）。

如果你现在做 EDA 还在用 pandas 一行行写代码，那么福音来了！

目前已经有很多 EDA 工具可以自动产出基础的统计数据和图表，能为我们节省大量时间。

本文会对比介绍 4 款常用的 EDA 工具，最后一款绝了，完全是抛弃代码的节奏。

正式介绍这些工具之前，先来加载数据集

import numpy as npimport pandas as pdiris = pd.read_csv('iris.csv')iris

iris 是下面用到的数据集，是一个 150行 * 4列 的 DataFrame。

1. PandasGUI

PandasGUI 提供数据预览、筛选、统计、多种图表展示以及数据转换。

# 安装# pip install pandasguifrom pandasgui import showshow(iris)

PandasGUI操作界面

PandasGUI 更侧重数据展示，提供了10多种图表，通过可视的方式配置。

但数据统计做的比较简单，没有提供缺失值、相关系数等指标，数据转换部分也只开放了一小部分接口。

2. Pandas Profiling

Pandas Profiling 提供了整体数据概况、每列的详情、列之间的关图、列之间的相关系数。

# 安装：# pip install -U pandas-profiling# jupyter nbextension enable --py widgetsnbextensionfrom pandas_profiling import ProfileReportprofile = ProfileReport(iris, title='iris Pandas Profiling Report', explorative=True)profile

Pandas Profiling操作界面

每列的详情包括：缺失值统计、去重计数、最值、平均值等统计指标和取值分布的柱状图。

列之间的相关系数支持Spearman、Pearson、Kendall 和 Phik 4 种相关系数算法。

与 PandasGUI 相反， Pandas Profiling 没有丰富的图表，但提供了非常多的统计指标以及相关系数。

3. Sweetviz

Sweetviz 与 Pandas Profiling 类似，提供了每列详细的统计指标、取值分布、缺失值统计以及列之间的相关系数。

# 安装# pip install sweetvizimport sweetviz as svsv_report = sv.analyze(iris)sv_report.show_html()

Sweetviz操作界面

Sweetviz 还有有一个非常好的特性是支持不同数据集的对比，如：训练数据集和测试数据集的对比。

Sweetviz数据集对比

蓝色和橙色代表不同的数据集，通过对比可以清晰发现数据集之前的差异。

4. dtale

最后重磅介绍 dtale ，它不仅提供丰富图表展示数据，还提供了很多交互式的接口，对数据进行操作、转换。

dtale操作界面

dtale 的功能主要分为三部分： 数据操作 、 数据可视化 、 高亮显示 。

4.1 数据操作（Actions）

dtale 将 pandas 的函数包装成可视化接口，可以让我们通过图形界面方式来操作数据。

# pip install dtaleimport dtaled = dtale.show(iris)d.open_browser()

Actions

右半部分图是左边图的中文翻译，用的是 Chrome 自动翻译，有些不是很准确。

举一个 数据操作 的例子。

Summarize Data

上图是 Actions 菜单中 Summarize Data 的功能，它提供了对数据集汇总操作的接口。

上图我们选择按照 species 列分组，计算 sepal_width 列的平均值，同时可以看到左下角 dtale 已经自动为该操作生成了 pandas 代码。

4.2 数据可视化（Visualize）

提供比较丰富的图表，对每列数据概况、重复行、缺失值、相关系数进行统计和展示。

Visualize

举一个 数据可视化 的例子。

Describe

上图是 Visualize 菜单中 Describe 的功能，它可以统计每列的最值、均值、标准差等指标，并提供图表展示。

右侧的 Code Export 可以查看生成这些数据的代码。

4.3 高亮显示（Highlight）

对缺失值、异常值做高亮显示，方便我们快速定位到异常的数据。

Highlight

上图显示了将 sepal_width 字段的异常值。

dtale 非常强大，功能也非常多，大家可以多多探索、挖掘。

最后，简单总结一下。如果探索的数据集侧重数据展示，可以选 PandasGUI ；如果只是简单了解基本统计指标，可以选择 Pandas Profiling 和 Sweetviz ；如果需要做深度的数据探索，那就选择 dtale 。