探索性分析的目的是帮助数据分析师和决策者更好地理解数据，发现数据中的模式、趋势和关系，以及潜在的问题和异常。它通常在数据收集和分析的早期阶段进行，为后续更深入的数据分析和预测分析奠定基础。
探索性分析（EDA）的核心方法包括以下几种：
- 数据可视化：
**
- 散点图：用于展示两个变量之间的关系，帮助识别潜在的线性或非线性关系。
- 条形图：用于比较不同类别或组别数据的可视化工具。通过长条的长度或高度来表示数值的大小，适合用于展示离散数据。
- 直方图：展示单个变量的分布，帮助理解数据的频率和分布形态。
- 箱线图：用于识别数据的中位数、四分位数及异常值，适合比较不同组别之间的分布。
- 热力图：用于展示变量之间的相关性，帮助识别潜在的关联性。
- 时间序列图：用于展示随时间变化的变量数据，帮助识别趋势、周期性和异常值。
**
-
描述性统计：
- 计算数据的基本统计量，如均值、中位数、众数、标准差、偏度、峰度、最小值、最大值和四分位数，提供数据的整体概览。
-
数据分布分析：
- 检查数据是否遵循特定分布（如正态分布），以决定后续分析方法。
-
缺失值分析：
- 识别和分析数据中的缺失值，探索缺失值的模式或原因，评估其对分析结果的影响，并决定合适的处理方式。
-
异常值检测：
- 识别数据中的极端值或离群点，分析异常值产生的原因，评估其对分析的影响，并决定如何处理这些值。
-
相关性分析：
- 使用相关系数（如皮尔逊相关系数）来评估变量之间的线性关系，帮助识别潜在的因果关系。
-
数据透视表（sql很多时候也在干这个）：
- 通过交叉分析不同变量，获取多维度的信息，有助于发现数据中的潜在模式和关系。
-
分组分析：
- 根据某一或多个特征将数据进行分组，比较不同组别的特征和表现，识别组间差异。
-
时间序列分析：
- 趋势分析：识别数据的长期上升或下降趋势。
- 季节性分析：识别数据在特定时间段内（如季节、月份、星期等）的重复模式。
- 周期性分析：与季节性不同，周期性指的是数据中出现的长期波动模式，这种波动可能不是固定的时间间隔，例如，经济周期的波动影响企业销售数据。
- 异常值检测：识别时间序列数据中不符合一般趋势的突发事件，如异常高的销售额或意外的销量下降，帮助企业及时应对突发情况。
- **时间序列特性评估：**了解数据的平稳性、自相关性、偏自相关性等特性
