什么是探索性数据分析（EDA）？
EDA是数据分析下的一种现象，用于更好地理解数据方面，如：
- 数据的主要特征
- 变量和它们之间的关系
- 确定哪些变量对我们的问题很重要
我们将看看各种探索性数据分析方法，如：
描述性统计，这是一种简要概述我们正在处理的数据集的方法，包括样本的一些度量和特征
分组数据[使用基本分组由基 ]
方差分析，方差分析，是一种将观察集中的变化划分为不同成分的计算方法。
相关和相关方法
我们将使用的数据集是智能投票数据集，您可以在python中导入：import pandas as pd
Df = pd.read_csv("https://vincentarelbundock.github.io / Rdatasets / csv / car / Chile.csv")
描述性统计
描述性统计信息是了解数据特征并快速汇总数据的有用方法。python中的pandas提供了一个有趣的方法describe（）。describe函数对数据集应用基本统计计算，如极值，数据点标准偏差等。自动跳过任何缺失值或NaN值。describe（）函数给出了数据分布的良好画面。DF.describe()
这是在代码上运行时输出的输出：
另一个有用的方法，如果value_counts（）可以计算分类属性值系列中每个类别的计数。例如，假设您正在处理客户数据集，这些客户在列名称年龄下划分为年轻，中等和旧类别，而您的数据框架为“DF”。您可以运行此语句以了解有多少人属于各自的类别。在我们的数据集示例中，可以使用教育列DF["education"].value_counts()
上面代码的输出将是：
另一个有用的工具是boxplot，您可以通过matplotlib模块使用它。Boxplot是数据分布的图形表示，显示极值，中位数和四分位数。我们可以通过使用箱线图轻松找出异常值。现在考虑我们再次处理的数据集，并绘制属性总体的箱线图import pandas as pd
