这是数据分析最核心、最值钱的环节——探索性数据分析（EDA）。 它的本质不是写代码，而是搞懂数据、发现问题、找到规律、为建模/决策铺路。
我给你讲完整、可直接套用的工作流逻辑，从拿到数据到得出结论，一步步地讲透。
一、先搞懂：探索数据分析到底在做什么？
一句话总结： 从陌生数据 → 看清全貌 → 发现异常 → 找到规律 → 指导后续分析
它分 4 大目标：
- 数据长什么样？（结构、大小、字段含义）
- 数据脏不脏？（缺失、重复、异常、错误）
- 数据分布正常吗？（数值分布、比例、趋势）
- 字段之间有关系吗？（相关性、影响关系）
二、标准探索逻辑：6 步黄金流程
这是企业里通用标准流程，你照着做永远不会乱。
第 1 步：基础信息探索（看数据全貌）
目标：知道数据有多大、有哪些字段、是什么类型。
# 1. 查看前几行
df.head()
# 2. 数据维度（多少行多少列）
df.shape
# 3. 字段信息（类型、缺失值）
df.info()
# 4. 列名
df.columns.tolist()
你要回答：
- 多少样本？多少特征？
- 哪些是数字？哪些是文字？哪些是日期？
- 有没有明显缺失？
第 2 步：统计指标探索（看数据分布）
目标：用统计值理解数据的中心、离散程度。
# 数值型字段统计（均值、分位数、最大最小）
df.describe()
# 所有字段唯一值数量
df.nunique()
# 类别字段计数（如性别、城市）
df["category_col"].value_counts()
df["category_col"].value_counts(normalize=True) # 看占比
你要回答：
- 数据是否偏态？
- 有没有极端大/极端小的值？
- 类别分布是否均匀？
第 3 步：数据质量检查（清洗前必须做）
目标：找出脏数据，这是 80% 分析失败的根源。
# 1. 缺失值
df.isnull().sum()
df.isnull().mean() # 缺失比例（%）
# 2. 重复值
df.duplicated().sum()
# 3. 异常值（3σ原则）
df[(df["数值列"] > df["数值列"].mean() + 3*df["数值列"].std())]
你要记录：
- 哪些列缺失严重？
- 是否有重复行？
- 哪些字段存在异常值？
第 4 步：单变量可视化（看分布规律）
目标：用图表直观理解单个字段的规律。
常用图：
# 直方图 / 密度图（看数值分布）
df["age"].plot(kind="hist", bins=20)
df["age"].plot(kind="kde")
# 条形图（看类别分布）
df["city"].value_counts().plot(kind="bar")
# 箱线图（看异常值）
df["income"].plot(kind="box")
你能发现：
- 数据是否正态？
- 是否两极分化？
- 异常值在哪里？
- 哪个类别占比最高？
第 5 步：多变量关系探索（核心！找规律）
目标：看字段之间是否有关系，这是分析价值所在。
# 1. 相关性矩阵（数值字段）
df.corr()
# 热力图（最常用）
import seaborn as sns
sns.heatmap(df.corr(), annot=True)
# 2. 两个数值关系：散点图
sns.scatterplot(x="x", y="y", data=df)
# 3. 类别对数值的影响：箱线图
sns.boxplot(x="category", y="value", data=df)
# 4. 分组统计（超级常用）
df.groupby("类别字段")["数值字段"].agg(["mean", "sum", "count"])
你要找：
- 哪些字段正相关？负相关？
- 哪个类别表现更好？
- 什么因素影响目标变量？
第 6 步：时间维度探索（如果有时间）
目标：看趋势、周期性。
# 转日期格式
df["date"] = pd.to_datetime(df["date"])
# 按年月统计
df.groupby(df["date"].dt.to_period("M"))["sales"].sum().plot()
三、探索数据分析的核心思维逻辑（最重要）
不是为了画图而画图，每一步都要有目的。
1. 描述思维
数据是什么？长什么样？
2. 对比思维
- 不同类别差异？
- 不同时间差异？
- 高低用户差异？
3. 分布思维
- 集中在哪里？
- 极端值多不多？
4. 关联思维
A 变了，B 会不会变？ 谁影响谁？
5. 质量思维
数据能不能信？ 缺失？重复？错误？异常？
四、企业真实探索逻辑（一句话总结）
- 先看整体（多少行、多少列、字段含义）
- 再看质量（缺不缺、重不重、错不错）
- 再看分布（数据长啥样、有无极端值）
- 再看关系（谁影响谁、相关性）
- 最后总结（给出结论 + 清洗建议 + 分析方向）
探索做完，你应该能输出 3 句话：
- 数据质量如何？
- 数据有什么规律？
- 下一步该分析什么、清洗什么？
五、我给你一套万能 EDA 模板（直接复制用）
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
plt.rcParams["font.sans-serif"] = ["SimHei"] # 解决中文显示
# ========== 1. 基础信息 ==========
df.head()
df.shape
df.info()
df.columns
# ========== 2. 统计描述 ==========
df.describe()
df.nunique()
# ========== 3. 数据质量 ==========
df.isnull().sum()
df.isnull().mean()
df.duplicated().sum()
# ========== 4. 单变量分析 ==========
df["列名"].hist()
df["类别列"].value_counts().plot.bar()
# ========== 5. 多变量分析 ==========
sns.heatmap(df.corr(), annot=True)
sns.scatterplot(x="x", y="y", data=df)
df.groupby("类别")["数值"].mean()
# ========== 6. 时间分析 ==========
df["date"] = pd.to_datetime(df["date"])
df.groupby(df.date.dt.to_period("M"))["sales"].sum().plot()
总结
探索数据分析（EDA）的核心逻辑就是： 先整体 → 再质量 → 再分布 → 再关系 → 最后结论
它是数据分析的灵魂，90% 的建模、报表、决策，都来自这一步。
