机器学习实战 | 数据探索
在建立模型前，我们大致需要顺序经过以下几步：
1、变量识别 2、单变量分析 3、双变量分析 4、缺失值处理 5、异常值处理 6、变量变化 7、变量创建
其中第4-7步在模型优化中会重复进行。
1、变量识别
首先，识别Predictor（即feature、输入）和Target（输出）变量。 接下来，确定变量的数据类型和类别。
举一个例子，让我们更清楚地了解这一步。 假设我们想预测学生是否会玩板球（参考下面的数据集），需要识别预测变量、目标变量，变量的数据类型和变量类别。
那么
Data_exploration_2.png
2、单变量分析
在这个阶段，我们逐个探索变量。 执行单变量分析的方法取决于变量类型是分类类型还是连续类型。
3、连续变量
在连续变量的情况下，我们需要了解变量的中心趋势和分散，使用各种统计度量可视化方法进行测量，如下所示
Data_exploration_31.png
4、分类变量
对于分类变量，我们可使用频率表来了解每个类别的分布，也可以读取每个类别下的值的百分比，也可以使用每个类别的Count和Count％来衡量。Bar chart可以用作可视化。
5、双变量分析
双变量分析的主要目的是发现两个变量之间的关系。可以对分类和连续变量的任何组合执行双变量分析。如：Continuous & Continuous，Categorical & Categorical，Categorical & Continuous and Continuous & Continuous。
6、Continuous&Continuous
在两个连续变量之间进行双变量分析时，散点图（ scatter plot）是找出两个变量之间的关系的一个很好的方式。 散点图表示变量之间的关系可以是线性或非线性。
correlation-examples
- -1: perfect negative linear correlation
- +1:perfect positive linear correlation and
- 0: No correlation
scatter plot只是直观来看，但是相关性如何计算呢？一般通过Pearson Correlation 来计算，缺点是：只可以确定线性相关性。非线性关系，可以采用互信息法，互信息系数能够很好地度量各种相关性，但是计算相对复杂一些。Pearson Correlation 计算方法如下：
correlation-calc1
Step 1: 计算x、y的均值 Step 2: x的每个值减去x的均值得到a, y值做类似操作得到b Step 3: 计算: a × b, a的平方和b的平方 Step 4: 求a × b, a平方和b平方的和 Step 5: 如5的公式
7、Categorical&Categorical
双向表：我们可以通过创建一个计数和计数％的双向表来开始分析关系，行表示一个变量的类别，列表示另一个变量的类别，如图。
Data_exploratio
Stacked Column Chart:更直观，如上图。 卡方检验：计算方法可以参考前面文章 确定自变量和因变量的相关性
p值为0：表示两个变量是相关的 p值为1：表示两个变量是独立的
7、Categorical&Continuous
在探索分类和连续变量之间的关系时，我们可以为每个级别的分类变量绘制box plot，但不显示统计学意义。 为了看统计学意义，我们可以进行Z检验，T检验或方差分析。
T检验与Z检验非常相似，但用于当两个类别的观察次数小于30时，方差分析用于评估两个以上组的平均值是否在统计学上不同。
下篇再接着介绍。
8、参考
1、central measures（https://www.mathsisfun.com/data/central-measures.html） 2、range（https://www.mathsisfun.com/data/range.html） 3、https://www.analyticsvidhya.com/blog/2016/01/guide-data-explo
4、ration/（https://www.analyticsvidhya.com/blog/2016/01/guide-data-exploration/）