根據Wikipedia的說法，探索性數據分析（EDA）是一種分析數據集以總結其主要特徵的方法，通常使用視覺方法。
因此，EDA是理解基礎數據，變量分布及其相關性的過程。這使得EDA成為構建任何統計模型之前任何數據科學過程中的第一步。
EDA通常是一項非常耗時的任務，需要您構建多個視覺效果來檢查變量之間的分布和交互。
有一些函數（例如info（）和describe（））在一定程度上有所幫助，但是即使使用了這些函數，您仍然必須執行許多手動步驟。
這是一個非常實用的庫，叫做Pandas Profiling。該庫自動生成詳細的報告，只需一行代碼即可解釋數據！快速瀏覽一下報告的外觀。
變量概述：
可變統計信息：
變量之間的相互作用：
變量之間的相關性：
缺失值數量：
樣本數據：
對於每列，報告中都會顯示以下統計信息（如果與列類型相關）：
類型推斷：檢測數據框中列的類型。
要點：類型，唯一值，缺失值
分位數統計信息，例如最小值，Q1，中位數，Q3，最大值，範圍，四分位數範圍描述性統計數據，例如平均值，眾數，標準偏差，總和，中位數絕對偏差，變異係數，峰度，偏度最常使用的值直方圖高相關變量Spearman，Pearson和Kendall矩陣的相關性突出顯示缺失值矩陣，計數，熱圖和缺失值樹狀圖文本分析了解文本數據的類別（大寫，空格），腳本（拉丁，西裡爾字母）和塊（ASCII）。文件和圖像分析可提取文件大小，創建日期和尺寸，並掃描截斷的圖像或包含EXIF信息的圖像。除此之外，報告中還介紹了變量之間的相關性和相互作用。
所有這些僅需一行代碼！
安裝庫
pip install pandas-profiling
導入庫
from pandas_profiling import ProfileReportprofile = ProfileReport(df, title=」Pandas Profiling Report」)
您可以直接在jupyter筆記本上查看報告，但我更希望將報告轉換為HTML文件，然後在瀏覽器上查看。
profile.to_file(「your_report.html」)
這將生成一個交互式儀錶板，您可以在其中瀏覽所需的所有內容。
儘管它是一種出色的工具，但它也有一些缺點。處理大型數據集時，生成報告要花費大量時間。
解決此問題的一種方法是通過使用以下語法禁用昂貴的計算（例如相關性和動態合併）。
profile = ProfileReport(large_dataset, minimal=True)