Julia 中的探索性数据分析

探索性数据分析(EDA) 用于从数据的主要特征、各种变量的重要性以及变量间的关系方面更好地理解数据。第一步是探索数据集。

在 Julia 中探索给定数据集的方法：

1. 使用数据表和应用统计
2. 在数据上使用可视化绘图技术

使用数据表和应用统计

第 1 步：安装 DataFrames 包

为了在 Julia 中使用数据表，使用了一种名为 Dataframe 的数据结构。 DataFrame 可以在不影响速度和可扩展性的情况下处理多个操作。

可以使用以下命令安装 Dataframes 包：

using Pkg
Pkg.add(“DataFrames”)

第 2 步：下载数据集

对于数据分析，我们使用了 Iris 数据集。它很容易在线获得。

第 3 步：导入必要的包和数据集

我们先导入我们的DataFrames Package，CSV Package，并加载数据集的Iris.csv文件：

Julia

# Using the DataFrames Package
using DataFrames
  
# Using the CSV package
using CSV
  
# Reading the CSV file
Iris = CSV.read(“Iris.csv”)

输出：

第 4 步：快速数据探索

可以对数据集进行初步探索，例如使用 size函数识别数据集的形状，使用名称函数识别列列表，使用 head函数识别前 n 行。

例子：

朱莉娅

# Using the DataFrames Package
using DataFrames
  
# Using the CSV package
using CSV
  
# Reading the CSV file
Iris = CSV.read(“Iris.csv”);
  
# Shape of Dataset
size(Iris)
  
# List of columns
names(Iris) 
  
# First 10 rows
head(Iris, 10)

输出：

在数据框中索引

Dataframe_name[:column_name] 是访问数据框特定列的基本索引技术。

例子：

朱莉娅

# Using the DataFrames Package
using DataFrames
  
# Using the CSV package
using CSV
  
# Reading the CSV file
Iris = CSV.read(“Iris.csv”);
  
# Access particular column of dataset
Iris[: SepalLength]

输出：

描述函数

描述函数用于呈现数据集的均值、中值、最小值、最大值、四分位数等。

例子：

朱莉娅

# Using the DataFrames Package
using DataFrames
  
# Using the CSV package
using CSV
  
# Reading the CSV file
Iris = CSV.read(“Iris.csv”);
  
# Using describe function 
# to get statistics of a dataset
describe(Iris)
  
# Using describe function to get
# statistics of a particular column in a dataset
describe(Iris, :all, cols=:SepalLength)

输出：

在数据上使用可视化绘图技术

Julia 中的可视化探索可以在各种绘图库（例如Plots 、 StatPlots和Pyplot ）的帮助下实现。

Plots：它是一个高级绘图包，它与其他称为“后端”的绘图包接口。它们的行为类似于生成图形的图形引擎。它有一个简单而一致的界面。

StatPlots：它是一个与 Plots 包一起使用的支持包，由各种概念和类型的统计配方组成。

PyPlot：它用于在 Julia 中与Python的mathplotlib库一起使用。

可以使用以下命令安装上述库：

Pkg.add(“Plots”)  
Pkg.add(“StatPlots”)  
Pkg.add(“PyPlot”)

分布分析

Julia 中变量的分布可以使用各种图来执行，例如直方图、箱线图、散点图等。

让我们从绘制 SepalLength 的直方图开始：

例子：

朱莉娅

# Using the DataFrames Package
using DataFrames
   
# Using the CSV package
using CSV
   
# Reading the CSV file
Iris = CSV.read("Iris.csv");
  
# Using Plots Package 
using Plots 
  
# Plot Histogram
Plots.histogram(Iris[:SepalLength], 
                bins = 50, xlabel = "SepalLength", 
                            labels = "Length in cm")

输出：

接下来，我们查看箱线图以了解分布。 SepalLength 的箱线图可以通过以下方式绘制：

例子：

朱莉娅

# Using the DataFrames Package
using DataFrames
   
# Using the CSV package
using CSV
   
# Reading the CSV file
Iris = CSV.read("Iris.csv");
  
# Using Plots,StatPlots Package 
using Plots, StatPlots 
  
# Plot Boxplot
Plots.boxplot(Iris[:SepalLength],
              xlabel = "SepalLength")

输出：

接下来，我们查看散点图以了解分布。 SepalLength 的散点图可以通过以下方式绘制：

例子：

朱莉娅

# Using the DataFrames Package
using DataFrames
   
# Using the CSV package
using CSV
   
# Reading the CSV file
Iris = CSV.read("Iris.csv");
  
# Using Plots package 
using Plots
  
# Plot Scatterplot
plot(Iris[:SepalLength], 
     seriestype = :scatter,
     title = "Sepal Length")

输出：