工作中经常会听到同时开玩笑般的戏称，小时候就梦想成为一个科学家，没想到长大后真的成为了数据科学家（Data scientist）。

既然叫做科学，那么一定会有一整套详细的数据分析框架。而探索性数据分析，无疑就是整个数据分析流程前期最为关键的一环。

回想起自己刚入行的时候，拿到数据就会迫不及待的套用各种模型——聚类、分类、回归。殊不知在探索性数据分析环节就可以用数据本身得到不少洞察，并决定下一步分析的走向。那么，在这一步骤主要需要进行一些什么工作呢？结合自己和同事的实践，一般至少会进行下面这三个步骤：

查看数据分布探究数据关联探索缺失值分布情况

这里只是列出了我自己工作中的一些心得，段位越高的数据挖掘、数据分析师，自然会有更多的总结，也能从数据中获得更多的洞察。

以我手里的这份英雄联盟对局数据库为例，进行一些基础的说明~数据存储在Excel中，拿到数据集后，首先要做的是把数据集合读取到Python中。

import pandas as pd import numpy as np import warnings import dataprep.eda as eda pd.set_option(display.max_rows, 5) pd.set_option(display.max_columns, 500) pd.set_option(display.width, 1000) warnings.filterwarnings("ignore") lol = pd.read_excel(high_diamond_ranked_10min_missing.xlsx) lol_df = lol.iloc[:,:23]

接下来我们可以看看这个数据集合到底包含多少条记录，有多少个指标

lol_df.shape

可以看到，该数据集合一共有9879条记录和23个指标。下一步则是从中挑选几列来理解一下指标的含义：

lol_df.head(3)

结合第一条数据来说明一下这些指标的含义到底为何，首先要介绍一下，这些记录是选取了钻石到王者段位的对局记录，数据选取时间为游戏进行的第10分钟。

以第一条记录为例，这是S8时期的一局比赛，平均段位为超凡大师，最终蓝色方输掉了比赛。游戏进行到10分钟的时候，蓝色方一共插了28个眼，排掉了2个眼位，蓝色方率先取得了一血。并且在10分钟的时候全队一共拿了9个人头。后面的字段应该都非常容易理解，在这里就不一一赘述了。

查看数据分布

拿到这份数据之后，第一步一般会看一下数据的分布情况。借助dataprep包里面提供的函数，可以很轻松的实现这个目标。

eda.plot(lol_df)

函数会为数据集中所有的分类型变量绘制条形图，而对于所有的数值型函数，则会绘制成直方图。

分类型变量以方一血为例，该数值取0的时候是红色方拿到一血的情况，可以看到大约49.48%的对局中，红色方拿到了一血。

数值型变量以蓝方击杀为例，可以看到大部分对局中，前10分钟蓝色方的击杀数集中在3-10之间。

如果对于蓝方击杀字段感兴趣，想要更加深入的探究蓝方击杀的细节，可以借助plot函数进行深入的探究

eda.plot(lol_df,"蓝方击杀")

查看数据相关性

一般来说，数据分析的目的之一就是去寻找数据之间的关联，使用数据分析函数，同样可以很轻松的一键得到数值型变量的相关系数分布图。

但需要注意的是，相关系数仅仅能揭示数据之间的相关关系，而不能揭示因果关系。

比如从下图中我们可以看出，蓝方经济与蓝方补刀确实有很强的相关关系，但我们不能说因为蓝方的经济多，造成了蓝方的补刀也较多，这样的分析就是因果错乱的。

想要真正的了解每个数据之间的因果关系，需要我们对于数据本身的含义，有更深层次的理解。

eda.plot_correlation(lol_df)

如果我们对于蓝方总经济格外关心，想要聚焦于蓝方总经济去探究哪些因素与其相关系数最大，那么也可以用下面的函数轻松做到。

从途中可以看出，与蓝方总计经济相关系数最大的是，蓝方分均经济、蓝方击杀和蓝方助攻。结合游戏内容来看，这些都不难理解。

eda.plot_correlation(lol_df,蓝方总经济)

这个数据分析函数的便捷之处就在于，几乎不需要任何的学习成本，直接调用函数就可以生成漂亮的数据分析报告，这将运用到最为关键的create_report()函数。

今天先更到这里，剩下的内容有空了再来更新。