在数据科学领域，常常急于应用听起来很酷的算法，如朴素贝叶斯、XGBoost等，期望得到神奇的结果。但往往忽略了在应用这些算法之前，应该先理解数据。这就是探索性数据分析（EDA）的用武之地。它包括数据清洗（去除无关数据、处理缺失值、处理异常值等）、数据标准化（将数据转换为更结构化的格式）以及最终的数据分析（单变量、双变量和多变量）。探索性数据分析不仅帮助理解数据，而且最终有助于提高预测能力。
数据清洗（处理缺失值、检查异常值、标准化值）、Lambda函数的使用、通过for循环绘制多个图表（使用Pandas、Matplotlib和Seaborn）、数据分析（单变量、双变量和多变量）。
可以看到有896行和23列的数据。还可以通过data.shape()来查看数据的行和列。使用.info()方法可以了解列的数据类型和检查空值。要更深入了解每个列，可以使用data['column_name'].describe()。
处理空值总是一个棘手的问题。通常遵循传统方法——用均值填充nan值，但应该观察用均值填充nan值是否会帮助，或者会使数据复杂化。首先，应该查看目标特征中的nan值数量，最好从目标特征中移除nan值而不是用任何数字填充，因为它可能会偏离结果。如果nan值非常高，用任何东西填充都没有好处，所以要么可以丢弃该列，要么如果它是相关特征，可以保持原样。