天池大赛-心跳信号分类预测：探索性数据分析

比赛地址：零基础入门数据挖掘-心跳信号分类预测
参考资料：由DataWhale开源的学习资料，Seaborn官方文档

1. EDA 目标

EDA的价值主要在于熟悉数据集，了解数据集，对数据集进行验证来确定所获得数据集可以用于接下来的机器学习或者深度学习使用。
当了解了数据集之后我们下一步就是要去了解变量间的相互关系以及变量与预测值之间的存在关系。
引导数据科学从业者进行数据处理以及特征工程的步骤,使数据集的结构和特征集让接下来的预测问题更加可靠。
完成对于数据的探索性分析，并对于数据进行一些图表或者文字总结并打卡。

2. 内容介绍

载入各种数据科学以及可视化库:
- 数据科学库 pandas、numpy、scipy；
- 可视化库 matplotlib、seabon；
载入数据：
- 载入训练集和测试集；
- 简略观察数据(head()+shape)；
数据总览:
- 通过describe()来熟悉数据的相关统计量
- 通过info()来熟悉数据类型
判断数据缺失和异常
- 查看每列的存在nan情况
- 异常值检测
了解预测值的分布
- 总体分布概况
- 查看skewness and kurtosis
- 查看预测值的具体频数

3. 代码示例

3.1 载入各种数据科学与可视化库

#coding:utf-8
#导入warnings包，利用过滤器来实现忽略警告语句。
import warnings
warnings.filterwarnings('ignore')
import missingno as msno
import pandas as pd
from pandas import DataFrame
import matplotlib.pyplot as plt
import seaborn as sns
import numpy as np

3.2 载入训练集和测试集

导入训练集train.csv和测试集testA.csv

Train_data = pd.read_csv('./train.csv')
Test_data = pd.read_csv('./testA.csv')

id - 心跳信号分配的唯一标识
heartbeat_signals - 心跳信号序列
label - 心跳信号类别（0、1、2、3）

data.head().append(data.tail())——观察首尾数据

data.shape——观察数据集的行列信息

观察train首尾数据

Train_data.head().append(Train_data.tail())

观察train数据集的行列信息

Train_data.shape

(100000, 3)

要养成看数据集的head()以及shape的习惯，这会让你每一步更放心，导致接下里的连串的错误, 如果对自己的pandas等操作不放心，建议执行一步看一下，这样会有效的方便你进行理解函数并进行操作

2.3.3 总览数据概况

describe种有每列的统计量，个数count、平均值mean、方差std、最小值min、中位数、25% 、50% 、75% 、以及最大值看这个信息主要是瞬间掌握数据的大概的范围以及每个值的异常值的判断，比如有的时候会发现999 9999 -1 等值这些其实都是nan的另外一种表达方式，有的时候需要注意下
info 通过info来了解数据每列的type，有助于了解是否存在除了nan以外的特殊符号异常

data.describe()——获取数据的相关统计量

data.info()——获取数据类型

获取train数据的相关统计量

Train_data.describe()

id   label
count   100000.000000   100000.000000
mean    49999.500000    0.856960
std 28867.657797    1.217084
min 0.000000    0.000000
25% 24999.750000    0.000000
50% 49999.500000    0.000000
75% 74999.250000    2.000000
max 99999.000000    3.000000

获取train数据类型

Train_data.info

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 100000 entries, 0 to 99999
Data columns (total 3 columns):#   Column             Non-Null Count   Dtype
---  ------             --------------   -----  0   id                 100000 non-null  int64  1   heartbeat_signals  100000 non-null  object 2   label              100000 non-null  float64
dtypes: float64(1), int64(1), object(1)
memory usage: 2.3+ MB

3.4 判断数据缺失和异常

data.isnull().sum()——查看每列的存在nan情况

查看trian每列的存在nan情况

Train_data.isnull().sum()

id                   0
heartbeat_signals    0
label                0
dtype: int64

查看testA每列的存在nan情况

Test_data.isnull().sum()

id                   0
heartbeat_signals    0
dtype: int64

2.3.5 了解预测值的分布

Train_data['label']

0        0.0
1        0.0
2        4.0
3        0.0
4        0.0...
99995    4.0
99996    0.0
99997    0.0
99998    0.0
99999    1.0
Name: label, Length: 100000, dtype: float64

Train_data['label'].value_counts()

0.0    58883
4.0    19660
2.0    12994
1.0     6522
3.0     1941
Name: label, dtype: int64

seaborn.distplot介绍

seaborn.distplot
seaborn.distplot(a=None, bins=None, hist=True, kde=True, rug=False, fit=None, hist_kws=None, kde_kws=None, rug_kws=None, fit_kws=None, color=None, vertical=False, norm_hist=False, axlabel=None, label=None, ax=None, x=None)

This function combines the matplotlib hist function (with automatic calculation of a good default bin size) with the seaborn kdeplot() and rugplot() functions. It can also fit scipy.stats distributions and plot the estimated PDF over the data.

Parameters:

a: Series, 1d-array, or list.
Observed data. If this is a Series object with a name attribute, the name will be used to label the data axis.
bins: argument for matplotlib hist(), or None, optional
Specification of hist bins. If unspecified, as reference rule is used that tries to find a useful default.
hist: bool, optional
Whether to plot a (normed) histogram.
kde:bool, optional
Whether to plot a gaussian kernel density estimate.
rug: bool, optional
Whether to draw a rugplot on the support axis.
fit: random variable object, optional
An object with fit method, returning a tuple that can be passed to a pdf method a positional arguments following a grid of values to evaluate the pdf on.
hist_kws: dict, optional
Keyword arguments for matplotlib.axes.Axes.hist().
kde_kws: dict, optional
Keyword arguments for kdeplot().
rug_kws: dict, optional
Keyword arguments for rugplot().
color: matplotlib color, optional
Color to plot everything but the fitted curve in.
vertical: bool, optional
If True, observed values are on y-axis.
norm_hist: bool, optional If True, the histogram height shows a density rather than a count. This is implied if a KDE or fitted density is plotted.
axlabel: string, False, or None, optional
Name for the support axis label. If None, will try to get it from a.name if False, do not set a label.
label: string, optional
Legend label for the relevant component of the plot.
ax:matplotlib axis, optional
If provided, plot on this axis.

Returns: ax: matplotlib
Axes Returns the Axes object with the plot for further tweaking.

## 1) 总体分布概况（无界约翰逊分布等）
import scipy.stats as st
y = Train_data['label']
plt.figure(1); plt.title('Default')
sns.distplot(y, rug=True, bins=20)
plt.figure(2); plt.title('Normal')
sns.distplot(y, kde=False, fit=st.norm)
plt.figure(3); plt.title('Log Normal')
sns.distplot(y, kde=False, fit=st.lognorm)

偏度
偏度（skewness），是统计数据分布偏斜方向和程度的度量，是统计数据分布非对称程度的数字特征。
峰度
峰度（peakedness；kurtosi）又称峰态系数。表征概率密度分布曲线在平均值处峰值高低的特征数。

# 2）查看skewness and kurtosis
sns.distplot(Train_data['label']);
print("Skewness: %f" % Train_data['label'].skew())
print("Kurtosis: %f" % Train_data['label'].kurt())

Skewness: 0.871005
Kurtosis: -1.009573

Train_data.skew(), Train_data.kurt()

(id       0.000000label    0.871005dtype: float64,id      -1.200000label   -1.009573dtype: float64)

sns.distplot(Train_data.kurt(),color='orange',axlabel ='Kurtness')

## 3) 查看预测值的具体频数
plt.hist(Train_data['label'], orientation = 'vertical',histtype = 'bar', color ='red')
plt.show()