數(shù)據(jù)探索在機(jī)器學(xué)習(xí)中我們一般稱為EDA（Exploratory Data Analysis）：
是指對已有的數(shù)據(jù)（特別是調(diào)查或觀察得來的原始數(shù)據(jù)）在盡量少的先驗(yàn)假定下進(jìn)行探索，通過作圖、制表、方程擬合、計(jì)算特征量等手段探索數(shù)據(jù)的結(jié)構(gòu)和規(guī)律的一種數(shù)據(jù)分析方法。
數(shù)據(jù)探索有利于我們發(fā)現(xiàn)數(shù)據(jù)的一些特性，數(shù)據(jù)之間的關(guān)聯(lián)性，對于后續(xù)的特征構(gòu)建是很有幫助的。
對于數(shù)據(jù)的初步分析（直接查看數(shù)據(jù)，或.sum(), .mean()，.descirbe()等統(tǒng)計(jì)函數(shù)）可以從：樣本數(shù)量，訓(xùn)練集數(shù)量，是否有時(shí)間特征，是否是時(shí)許問題，特征所表示的含義（非匿名特征），特征類型（字符類似，int，float，time），特征的缺失情況（注意缺失的在數(shù)據(jù)中的表現(xiàn)形式，有些是空的有些是”NAN”符號等），特征的均值方差情況。
分析記錄某些特征值缺失占比30%以上樣本的缺失處理，有助于后續(xù)的模型驗(yàn)證和調(diào)節(jié)，分析特征應(yīng)該是填充（填充方式是什么，均值填充，0填充，眾數(shù)填充等），還是舍去，還是先做樣本分類用不同的特征模型去預(yù)測。
對于異常值做專門的分析，分析特征異常的label是否為異常值（或者偏離均值較遠(yuǎn)或者事特殊符號）,異常值是否應(yīng)該剔除，還是用正常值填充，是記錄異常，還是機(jī)器本身異常等。
對于Label做專門的分析，分析標(biāo)簽的分布情況等。
進(jìn)步分析可以通過對特征作圖，特征和label聯(lián)合做圖（統(tǒng)計(jì)圖，離散圖），直觀了解特征的分布情況，通過這一步也可以發(fā)現(xiàn)數(shù)據(jù)之中的一些異常值等，通過箱型圖分析一些特征值的偏離情況，對于特征和特征聯(lián)合作圖，對于特征和label聯(lián)合作圖，分析其中的一些關(guān)聯(lián)性。
