Python数据挖掘中常用的五种AutoEDA工具总结

在数据分析流程中，我们是否可以使用自动化工具替代人工操作？目前市场上已出现一些成熟的AutoEDA（自动探索性数据分析）工具，能够在一定程度上辅助完成这一过程。本文将梳理常见的AutoEDA工具，供读者收藏学习。欢迎点赞支持，文末附有技术交流群，期待与您交流。

1、Pandas Profiling

https://pandas-profiling.github.io/pandas-profiling/docs/master/index.html

Pandas Profiling是一款较为成熟的工具，用户只需传入DataFrame即可自动完成分析流程，并将结果以HTML格式展示。其分析功能较为全面。

• 功能：字段类型分析、变量分布分析、相关性分析、缺失值分析、重复行分析
• 耗时：较少

2、AutoViz

https://github.com/AutoViML/AutoViz

AutoViz是一款注重界面美观的数据分析工具，在执行可视化操作的同时，会将结果保存为图片格式。

• 功能：相关性分析、数值变量箱线图、数值变量分布图
• 耗时：较多

3、Dataprep

https://dataprep.ai/

Dataprep是一款灵活且功能强大的工具，也是笔者较为推荐的一款。它支持指定特定列进行分析，同时支持在Notebook环境中进行交互式分析。

• 功能：字段类型分析、变量分布分析、相关性分析、缺失值分析、交互式分析。
• 耗时：较多

4、SweetViz

https://github.com/fbdesignpro/sweetviz

SweetViz是一款功能强大的数据分析工具，能够很好地分析训练集与测试集，以及目标标签与特征之间的关系。

• 功能：数据集对比分析、字段类型分析、变量分布分析、目标变量分析
• 耗时：中等

5、D-Tale

https://github.com/man-group/dtale

D-Tale是一款功能最为强大的数据分析工具，对单变量分析的支持较为完善。

• 功能：字段类型分析、变量分布分析、相关性分析、缺失值分析、交互式分析。
• 耗时：中等

技术交流

欢迎转载、收藏，如有收获请点赞支持！

关于Python数据挖掘中常用的五种AutoEDA工具的总结到此结束。更多Python数据挖掘相关内容，请搜索本站历史文章或继续浏览后续文章，希望大家多多支持本站！