2.3
探索型数据分析（EDA）

2.3.1 引言

探索型数据分析（Exploratory Data Analysis，EDA）的目的是对数据的分布、数据质量、数据关系有个直观的了解。通用的EDA工具主要是从Data Schema层面的角度去审视数据，而数据分析师还通常从业务的角度去看数据。本节讨论通用的R语言中EDA工具。

在CRISP-DM方法框架中 ^[12] ，EDA主要涉及数据理解（Data Understanding）、数据准备（Data Preparation）这2个阶段，具体包括的任务见表2-2。数据理解也常常称为信息型（Informative）探索，数据准备称为操作型（Operative）探索。信息型探索不会改变数据，只是通过描述性统计、图形化等手段了解数据量、数据质量、数据分布和多变量间的关系。操作型探索则根据信息型探索的结果和课题目标，对数据进行过滤、填补、修正、转换、加工等操作。

2.3.2 R语言EDA包

R语言中的12个常见的EDA包见表2-3 ^[13] ，其中简写 D.代表DataExplorer包；dM.代表dataMaid;fM.代表funModeling;v.代表visdat;a.代表arsenal;x.代表xray;aE.代表autoEDA;d.代表dlookr;SE.代表SmartEDA;s.代表summarytools;e.代表exploreR;R.代表RtutoR。

从表2-3中可以看出，不同包各有特色。在EDA报告生成上，dlookr、dataMaid、DataExplorer、SmartEDA做得比较好。例如，dlookr包eda_report()生成EDA分析报告，如图2-1所示。

DataExplorer包的plot_str()可以对多个dataframe结构进行交互式树状结构可视化。dlookr包提供了数据诊断、探索与转换。find_skewness()函数自动识别有偏（skewed）变量，并提供转换建议。dataMaid包提供了check()、summarize()函数，DataExplorer、funModeling、dlookr和SmartEDA对变量间的联合分布和关系提供了很好的支撑。martEDA包采用平行坐标图（parallel coordinate plot）表示多变量间的关系。exploreR包在评估双变量关系的时候提供了线性回归。

2.3.3 其他工具包

除了上面体系化的EDA软件包，还有很多其他软件包提供了有用的数据探索函数，见表2-4。

图2-2所示为summarytools包中dfSummary()的输出结果。

2.3.4 小结

关于R语言的EDA的系统介绍可以阅读Person公司出版的相关图书 ^[14] ，除了数据探索，还有很多数据质量和预测性模型的内容。Python里面有toad包（主要针对风险评分），包括了EDA的部分功能。 aXrqvTkyaSb2fedaLVI7ljIv64FrJf1DOYmivQnFSoKGU0jUixy7jCRK06kQWuT7