任何数据科学项目都不应跳过探索性数据分析阶段。使用我们将在文章中向你展示的五种数据可视化类型来增强它。

今天，我们来探讨数据科学中一个经常被忽视的话题：使用可视化进行探索性数据分析 (EDA)。这对于数据清理和准备至关重要。

我们首先讨论 EDA 的重要性以及可视化在 EDA 中的重要性。然后，我们将讨论 EDA 最常见的五种可视化类型及其用途。

最后，我们将推荐几种用于创建可视化效果的很酷的工具，并为你提供一些可视化技巧。

什么是 EDA？

EDA 是数据科学工作流程的一部分，其全部目的是了解你的数据。

这是深入挖掘以发现模式、发现异常、检验假设和发现模式的步骤，如下图所示。

这一切都在你做出任何假设或构建模型之前完成。

为什么可视化在 EDA 中至关重要？

俗话说，“一图胜千言”。不管是不是陈词滥调，视觉效果确实能帮助我们一目了然地了解数据所讲述的故事。它们使我们更容易识别趋势、异常值和变量之间的关系。相信我，盯着一排排的数字是不一样的。

EDA 可视化类型

让我们探索一下你的 EDA 工具包中应该具备的一些主要可视化类型。

1.散点图

散点图非常适合用于检查两个连续变量之间的关系。例如，如果你正在分析学习时间与考试成绩之间的关系，散点图可以帮助你了解学习时间越长是否与考试成绩越高相关。

它是一款出色的工具，可以轻松确定数据中是否存在异常值；只需画一条趋势线即可。在此示例中，你会看到一个异常值被标记为红点。

2.直方图

直方图显示单个变量的分布情况。它们非常适合了解数据的分布和集中趋势。例如，如果你正在查看调查对象的年龄，直方图可以显示年龄分布。

当想要查看分布的尾部时，直方图会很有帮助，这使得截断数据或重新分割数据变得更加容易。

在该示例中，上限为 58.50。

3.箱线图

箱线图或箱须图非常适合总结数据集的分布情况并识别异常值。它们显示数据中的中位数、四分位数和潜在异常值。

与直方图不同，它们在并排比较多个组的分布时特别有用。

从例子中我们可以看出，每个组都有一个异常值；他们的年龄分别为 60 岁、70 岁和 80 岁。

4. 条形图

对于分类数据比较，条形图是清理和准备数据时的首选。想要比较不同产品类别的销售额？条形图就可以了。

这也是识别缺失数据的最佳图表。看一眼这张图表，你就会发现“家居和厨房产品类别”和“玩具”类别中没有数据，因此你可以调查一下。

5.热图

热图非常适合以矩阵形式可视化数据。它们对于显示数据集中变量之间的相关性特别有用。颜色强度可帮助你快速发现强关系。

在这个例子中，能见度和湿度是高度相关的。另一方面，温度-能见度、风速降水量和风速-能见度变量之间没有相关性。此外，你可以看到也存在一些负相关性，例如，湿度和温度之间。

创建可视化的工具

有许多工具可以创建这些可视化效果，每个工具都有自己的优势。

一些流行的包括：

• Python 数据可视化库（Matplotlib、seaborn、Plotly） ——非常适合绘制详细且定制的图表
• ggplot2 for R — 非常适合创建复杂的多层图形
• BI 工具（Tableau和Power BI） ——适用于交互式和可共享的仪表板
• Excel — 简单但有效的基本可视化

有效可视化的实用技巧

1. 保持简洁：避免杂乱。图表越清晰，越容易理解。

2. 标记清晰：确保轴、标题和图例标记清晰。

3. 使用合适的颜色：颜色应该增强效果，而不是分散注意力。使用适合数据的调色板。

4. 保持一致：在视觉效果中使用相同的样式和配色方案，以保持专业外观。

结论

可视化是 EDA 工具库中的一个强大工具。

最常见的是：

• 散点图
• 直方图
• 箱线图
• 条形图
• 热图

它们不仅能帮助你更好地理解数据，还能更有效地传达你的发现。