数据科学和机器学习项目的结构化方法从项目目标开始。同一组数据点可以推断出一些有意义的信息。基于我们所寻找的，我们需要关注数据的另一个方面。一旦我们明确了目标，我们就应该开始考虑我们需要的数据点。这将使我们能够专注于最相关的信息集，而忽略可能不重要的数据集。

在现实生活中，从多个来源收集到的大多数时间数据都有空白值、打字错误和其他异常。在进行任何数据分析之前，清除数据是至关重要的。

在本文中，我将讨论五个强大的数据可视化选项，它们可以立即提供数据特征的感觉。即使在正式建模或假设测试任务之前，执行EDA就可以传达大量关于数据和特征之间关系的信息。

第1步-我们将导入pandas、matplotlib、seaborn和NumPy包，我们将使用这些包进行分析。我们需要散点图、自相关图、滞后图和平行图。

import pandas as pd 

import numpy as np 

import matplotlib.pyplot as plt 

from pandas.plotting import autocorrelation_plot 

import seaborn as sns 

from pandas.plotting import scatter_matrix 

from pandas.plotting import autocorrelation_plot 

from pandas.plotting import parallel_coordinates 

from pandas.plotting import lag_plot 

第2步-在Seaborn包中，有一个内置的小数据集。我们将使用"mpg"、"tips"和"attention"数据进行可视化。数据集是在seaborn中使用load_dataset方法加载的。

"""Download the datasets used in the program """ 

CarDatabase= sns.load_dataset("mpg") 

MealDatabase= sns.load_dataset("tips") 

AttentionDatabase= sns.load_dataset("attention") 

六边形分箱图(hexpin)

我们经常使用散点图来快速掌握变量之间的关系。只要图中没有人口稠密的数据点，获得一个洞察力是非常有帮助的。在下面的代码中，我们绘制了"mpg"数据集中"Horsepower" 和"Acceleration"数据点之间的散点图。

plt.scatter(CarDatabase.acceleration ,CarDatabase.horsepower,marker="^")  

plt.show() 

散点图中的点密集分布，从中获取有意义的信息有点困难。