Análise exploratória de dados usando bibliotecas Python

Olá usuários, estou escrevendo este blog com base em meu aprendizado anterior sobre análise e exploração de dados usando bibliotecas python, que podem ajudá-lo a obter insights de dados programaticamente sem usar o Excel

No mundo da transformação digital, cada um dos clientes deseja automatizar suas decisões de negócios com base no envolvimento do cliente e nos dados comportamentais, analisando seus comportamentos anteriores.

Esse comportamento é analisado usando análise descritiva e análise preditiva.

A análise descritiva é o processo de usar dados atuais e históricos para identificar tendências e relacionamentos .

Principalmente engenheiros de ciência de dados e engenheiros de ML usam estatísticas descritivas para ler sobre os dados e analisá-los, que é o primeiro processo para criar um modelo de aprendizado ou modelo de classificação

Aqui menciono algumas bibliotecas python que podem ajudá-lo a ler e analisar as estatísticas de dados.

O primeiro passo é instalar o python em seu sistema usando este link se você ainda não instalou o python

Eu sugiro que você instale o anaconda Navigator e use o kernel Jupyter para isso

Em seguida, você precisa criar seu conjunto de dados ou também pode baixar qualquer conjunto de dados dehttps://www.kaggle.com/

Carregar bibliotecas

import numpy             as np
import pandas            as pd
import scipy.stats       as stats
import matplotlib.pyplot as plt
import seaborn as sns

df=pd.read_csv('basket.csv')
df.head()

df.shape

df.info()

Significar

print("Data:",df.mean())  # print the mean of each attribute. Ignore "Serial No. as it is not a continuous variable"

print("Data:",df.median())  # print the mean of each attribute. Ignore "Serial No. as it is not a continuous variable"

print("Data:",df.mode())  # print the mean of each attribute. Ignore "Serial No. as it is not a continuous variable"

print("Data_quantile(25%):",df.quantile(q=0.25))

print("Data_quantile(50%):",df.quantile(q=0.5))

print("Data quantile(75%):",df.quantile(q=0.75))

print("Data standard deviation:",df.std())

print("Data variance :",df.var())

print("Data summary:",df.describe())

print("Data info:",df.info())

print("Data covariance:",df.cov())

print("Data correlation:",df.corr())

data_column = df['column_name']

No próximo blog, mencionarei a parte 2 da análise exploratória de dados usando a biblioteca de gráficos como SNS e maxplotlib, onde você pode aprender sobre análise de plotagem como univariada, bivariada e multivariada para os dados fornecidos.

Conclusão

Depois de ler este blog, os usuários devem ser capazes de fazer análises básicas de dados usando APIs python. O usuário se familiarizou com os recursos descritivos dos dados, bem como visualizou os dados usando as funções de API acima.