在人工智能的广阔领域中，可能听说过“探索性数据分析”（EDA）。那么，它究竟是什么？它是否重要？如果正在寻找这些问题的答案，那么来对地方了。让开始吧！此外，还将展示一个最近对数据集进行的EDA的实际例子，所以请继续关注！
探索性数据分析是进行初步数据调查的关键过程，通过摘要统计和图形表示来发现模式、发现异常、测试假设和检查假设。这听起来可能有很多术语，让简化一下！现在要说的可能听起来有些荒谬，但请耐心听说，EDA意味着了解数据。也就是说，熟悉将使用的数据集。通过图形等可视化数据来理解任何潜在的模式。这些图形包括条形图、散点图、饼图、箱线图等等！
EDA也意味着探索数据，换句话说，这意味着与可视化数据和理解数据相同，这样就可以构建出不错的机器学习模型（基于AI的应用）。此外，数据清洗也是EDA的一部分，这意味着在现实生活中得到的大多数数据集都非常无组织。它们有缺失值甚至错误的值。这需要修复，以便可以创建一个最佳的AI应用。
毫无疑问，它是必要的！它是必不可少的——如果不先了解正在处理的数据就急于开始编写AI应用——可能会陷入巨大的混乱！信不信由——理解数据是与AI应用交流的语言。如果不理解它——它就没有用。
所以必须掌握数据，找到一些潜在的模式，发现一些异常，这样就知道面临的是什么，实际上，在考虑数据集结构的同时编写AI应用。
好问题，但最终答案很简单。使用Python编程语言。R也可以完成这项工作，但Python在年轻从业者和专业人士中更常见！Python支持许多库，帮助处理数据集。例如——
Pandas用于查看数据集，并获取有关数据集的信息和描述。修复缺失值或错误值。特别是，它提供了用于操作数值表和时间序列数据的数据结构和操作。可以根据不同的数据（行和列）进行不同的计算，创建和删除行等等。
要可视化数据集，使用Python中的matplotlib库，它允许创建各种类型的图表——从基本的2D条形图到3D频谱图！它应有尽有，确实令人着迷！
现在，将向展示最近在Kaggle上获得的数据集上进行的EDA的实际案例。让开始编码吧🚀
注意：所有代码都可以在GitHub上找到。可以从那里访问它，给它一个星标，下载它，并尽可能多地进行实验。
首先，当要进行EDA时，需要下载将使用的数据集，也是这样做的，如下所示：在这里，使用了一个链接来下载数据集，这是项目仓库在GitHub上的链接。这节省了时间，也方便其他人下载。在进行这样的项目时，代码将被别人阅读——使代码易于阅读和理解至关重要。
下载数据集后，可以通过Pandas库以表格形式查看数据集，如下所示：这里是一个片段，显示了数据集的前5行，第二个显示了最后5行。
import pandas as pd
heart_data = pd.read_csv('heart.csv')
print(heart_data.head(5))
print('__________________________________')
print(heart_data.tail(5))
很好，接下来呢？现在需要了解数据集，这可以通过数据集网站来实现，在这种情况下，是Kaggle，它告诉列的含义，即贫血等。
一旦完成了对数据集列的理解，就可以开始使用Pandas库进行数据清洗和探索——将在一分钟内进行可视化。
在以下片段中，创建了一个数据集的副本，并更改了数值，即0和1变为是或否。创建副本的主要原因是，当将来创建机器学习模型时——字符串不起作用，因此将使用原始数据集和数值。数字更好，保持应用程序优化。但作为人类，更容易理解文字——因此，当探索数据时——这些字符串将更容易理解。这是一个非常模糊的解释——但请耐心听说😅
以下片段进一步展示了可以用Pandas库做的一些很棒的事情。首先，获得了有关数据集列的一些信息。例如，第一列说年龄，这告诉有299个填充的（没有缺失）值。数据类型是float64——换句话说，以小数形式，即64.5。
第二段代码是不需要时间列的地方。
更多精彩内容！可以查看GitHub仓库，以获取有关代码的更多信息。
现在让开始可视化，将使用Matplotlib和Seaborn库来实现这一点！
这段代码显示了性别列的频率，换句话说，每个性别候选人的值。在这种情况下，观察到大约有190名男性候选人，大约有110名女性。这是一种直观的方式来了解数据。相信之前通过Pandas只做了同样的事情——但这更容易记住，看起来也更有趣一些！
另一个很棒的图表！被称为Lmplot——简单但非常有信息量！在这种情况下，观察到在60-70岁之间，血小板（下面定义）的高相关性。此外，这告诉血小板似乎在男性中更常见，而不是女性。血小板的平均值在两个性别中似乎是250,000-300,000。
所以这个图表就能告诉很多关于数据，这是一个非常基本的图表。还有很多复杂的图表——今天不会涵盖。想保持简单！但有一件事真的很简单，就是给这篇博客点赞并关注😁
血小板——血小板是无色的血细胞，帮助血液凝固。血小板通过在血管损伤处形成凝块来止血。
以下片段可视化了一个catplot。可以观察到每个性别的高血压与年龄的关系。这表明大多数候选人的血压并不太高。现在也可以添加一些东西来显示这个图表中的死亡率！自己尝试一下。可能有点复杂，但尝试没有害处。可以使用另一个图表，如折线图！
需要注意的一点是，只有299个数据条目——这并不多，但非常适合练习EDA技能，所以这可能不是制作AI应用的最佳选择，尽管这是完全可行的。
在这本笔记本中还制作了一些其他图表，可以在这里访问，并确保给它一个开始：）
查看代码在Gist上。
恭喜完成了第一个EDA项目！希望理解了所说的一切，并享受了阅读！
简而言之，可以说Python为提供了各种工具来帮助了解数据。像lmplots这样的基本图表告诉很多关于数据的信息！甚至可以创建相关图表和3D频谱图！想象力是限制！
可能想要阅读以下博客：