点击蓝字
关注我们
你是不是经常为数据分析头疼不已？别担心，今天咱聊聊 pandas-profiling 这个宝贝。它是个基于 pandas 的 Python 库，能帮你快速生成数据报告，省时又省力。
PART01
安装那些事儿
安装 pandas-profiling 超简单，就一行代码的事：
pip install pandas-profiling要是遇到啥问题，试试加个 --user 参数。不过记住啊，得先装好 pandas 和 numpy 这俩大哥。
PART02
快速上手
来看看咋用这玩意儿：
import pandas as pdfrom pandas_profiling import ProfileReport# 读取数据df = pd.read_csv('你的数据文件.csv')# 生成报告profile = ProfileReport(df， title=“数据报告”)# 保存报告profile.to_file(“report.html”)
就这么几行，你就能搞定一份漂亮的数据报告了。是不是很爽？
PART03
报告里都有啥
pandas-profiling 生成的报告里可有料了：
概览 ：数据集的基本信息，比如行数、列数、缺失值啥的。
变量 ：每列数据的详细统计，包括分布、唯一值、缺失值等。
相关性 ：变量间的关系，用热力图展示，一目了然。
样本数据 ：随机抽取的几行数据，让你直观感受数据长啥样。
PART04
高级玩法
想要更酷的报告？来试试这些参数：
profile = ProfileReport(df，title=“666数据报告”，explorative=True，minimal=False，correlations={“pearson”： True，“spearman”： True，“kendall”： True，“phi_k”： True，“cramers”： True，})
这样设置，报告就更全面了，还能看到更多相关性分析。
温馨提示：要是数据量太大，生成报告可能会慢一些，耐心等等哈。
PART05
自定义报告
有时候，你可能只想看特定的内容。没问题，pandas-profiling 支持自定义配置：
from pandas_profiling import ProfileReportprofile = ProfileReport(df， config_file=“你的配置文件.yaml”)
配置文件里可以设置各种参数，比如要不要计算相关性、要不要画图表等等。
PART06
在 Jupyter 里玩耍
如果你喜欢用 Jupyter Notebook，那更棒了！pandas-profiling 在 Jupyter 里用起来简直不要太爽：
from pandas_profiling import ProfileReportprofile = ProfileReport(df， title=“666报告”， explorative=True)profile.to_notebook_iframe()
这样就能在 Notebook 里直接看到交互式的报告了，想看哪儿点哪儿，不要太方便。
数据分析有时候挺烦人的，尤其是面对一堆陌生数据的时候。但有了 pandas-profiling，你就能快速摸清数据的底细，省下不少时间去琢磨更有意思的事情。
用好这个工具，你的数据分析工作肯定能事半功倍。不过记住啊，工具是死的，人是活的。pandas-profiling 给你的报告只是个开始，真正的分析还得靠你自己的脑子。
好了，今天就聊到这儿。赶紧去试试 pandas-profiling 吧，相信你会爱上它的！
往期回顾
◆
◆
◆
