# 数据分析工具
from __future__ import division  # 除的结果是小数
import pandas as pd
import numpy as np
from scipy import stats


def fill_fre_top_5(x):  # 频数前五位的函数：若不足5，则nan补齐
    if (len(x)) <= 5:
        new_array = np.full(5, np.nan)
        new_array[0:len(x)] = x
        return new_array


def eda_analysis(missSet=[np.nan, 9999999999, -999999], df=None):
    # 种类计数
    count_un = df.apply(lambda x: len(x.unique()))
    count_un = count_un.to_frame('count')  # 转成dataframe

    # 零的计数
    count_zero = df.apply(lambda x: np.sum(x == 0))
    count_zero = count_zero.to_frame('count_zero')

    # 均值
    df_mean = df.apply(lambda x: np.mean(x[~np.isin(x, missSet)]))
    df_mean = df_mean.to_frame('mean')

    # 中位数
    df_median = df.apply(lambda x: np.median(x[~np.isin(x, missSet)]))
    df_median = df_median.to_frame('median')

    # 众数
    df_mode = df.apply(lambda x: stats.mode(x[~np.isin(x, missSet)])[0][0])
    df_mode = df_mode.to_frame('mode')

    # 众数的频数和比例
    df_mode_count = df.apply(lambda x: stats.mode(x[~np.isin(x, missSet)])[1][0])
    df_mode_count = df_mode_count.to_frame('mode_count')
    df_mode_perct = df_mode_count / df.shape[0]
    df_mode_perct.columns = ['mode_perct']

    # 最小值
    df_min = df.apply(lambda x: np.min(x[~np.isin(x, missSet)]))
    df_min = df_min.to_frame('min')

    # 最大值
    df_max = df.apply(lambda x: np.min(x[~np.isin(x, missSet)]))
    df_max = df_max.to_frame('max')

    # 分位数
    json_quantile = {}
    for i, name in enumerate(df.columns):
        json_quantile[name] = np.percentile(df[name][~np.isin(df[name], missSet)], (1, 5, 25, 50, 75, 95, 99))
    df_quantile = pd.DataFrame(json_quantile)[df.columns].T
    df_quantile.columns = ['quan01', 'quan05', 'quan25', 'quan50', 'quan75', 'quan95', 'quan99']

    # 频数（产出为数组，不能使用apply）
    json_fre_name = {}
    json_fre_count = {}

    for i, name in enumerate(df.columns):
        # 频数前五的数
        index_name = df[name][~np.isin(df[name], missSet)].value_counts().iloc[0:5, ].index.values
        index_name = fill_fre_top_5(index_name)

        json_fre_name[name] = index_name

        # 频数前五的数的频数
        value_count = df[name][~np.isin(df[name], missSet)].value_counts().iloc[0:5, ].values
        value_count = fill_fre_top_5(value_count)

        json_fre_count[name] = value_count

    df_fre_name = pd.DataFrame(json_fre_name)[df.columns].T
    df_fre_count = pd.DataFrame(json_fre_count)[df.columns].T

    df_fre = pd.concat([df_fre_name, df_fre_count], axis=1)  # 合并
    df_fre.columns = ['Value1', 'Value2', 'Value3', 'Value4', 'Value5', 'freq1', 'freq2', 'freq3', 'freq4', 'freq5']

    # 缺失值
    df_miss = df.apply(lambda x: np.sum(np.isin(x, missSet)))
    df_miss = df_miss.to_frame('freq_miss')

    # 合并所有统计指标
    df_eda_summary = pd.concat(
        [count_un, count_zero, df_mean, df_median, df_mode, df_mode_count, df_mode_perct, df_min, df.max, df_fre,
         df_miss], axis=1)

    return df_eda_summary

工具 整合

1.整合核心代码： 

# 12.Combine All Information

    df_eda_summary = pd.concat(

        [count_un, count_zero, df_mean, df_median, df_mode,

         df_mode_count, df_mode_perct, df_min, df_max, df_fre,

         df_miss], axis=1

    )

    # 左边是特征，上边是有多少统计描述，就拼多少

# -*- coding:utf-8
from __future__ import division #除的结果是小数
import pandas as pd
import numpy as np
from scipy import stats

def fill_fre_top_5(x): #频数前五位的函数：若不足5，则nan补齐
    if (len(x)) <= 5:
        new_array = np.full(5, np.nan)
        new_array[0:len(x)] = x
        return new_array

def eda_analysis(missSet = [np.nan, 9999999999, -999999], df=None):
    #种类计数
    count_un = df.apply(lambda x: len(x.unique()))
    count_un = count_un.to_frame('count') #转成dataframe
    
    #零的计数
    count_zero = df.apply(lambda x: np.sum(x==0))
    count_zero = count_zero.to_frame('count_zero')
    
    #均值
    df_mean = df.apply(lambda x: np.mean(x[~np.isin(x, missSet)]))
    df_mean = df_mean.to_frame('mean')
    
    #中位数
    df_median = df.apply(lambda x: np.median(x[~np.isin(x, missSet)]))
    df_median = df_median.to_frame('median')
    
    #众数
    df_mode = df.apply(lambda x: stats.mode(x[~np.isin(x, missSet)])[0][0])
    df_mode = df_mode.to_frame('mode')
    
    #众数的频数和比例
    df_mode_count = df.apply(lambda x: stats.mode(x[~np.isin(x, missSet)])[1][0])
    df_mode_count = df_mode_count.to_frame('mode_count')
    df_mode_perct = df_mode_count / df.shape[0]
    df_mode_perct.columns = ['mode_perct']
    
    #最小值
    df_min = df.apply(lambda x: np.min(x[~np.isin(x, missSet)]))
    df_min = df_min.to_frame('min')
    
    #最大值
    df_max = df.apply(lambda x: np.min(x[~np.isin(x, missSet)]))
    df_max = df_max.to_frame('max')
    
    #分位数
    json_quantile = {}
    for i, name in enumerate(df.columns):
        json_quantile[name] = np.percentile(df[name][~np.isin(df[name], missSet)], (1, 5, 25, 50, 75, 95, 99))
    df_quantile = pd.DataFrame(json_quantile)[df.columns].T
    df_quantile.columns = ['quan01', 'quan05', 'quan25', 'quan50', 'quan75', 'quan95', 'quan99']
    
    #频数（产出为数组，不能使用apply）
    json_fre_name = {}
    json_fre_count = {}
    
    for i, name in enumerate(df.columns):
        #频数前五的数
        index_name = df[name][~np.isin(df[name], missSet)].value_counts().iloc[0:5, ].index.values
        index_name = fill_fre_top_5(index_name)
        
        json_fre_name[name] = index_name
        
        #频数前五的数的频数
        value_count = df[name][~np.isin(df[name], missSet)].value_counts().iloc[0:5, ].values
        value_count = fill_fre_top_5(value_count)
        
        json_fre_count[name] = value_count 
        
    df_fre_name = pd.DataFrame(json_fre_name)[df.columns].T
    df_fre_count = pd.DataFrame(json_fre_count)[df.columns].T
    
    df_fre = pd.concat([df_fre_name, df_fre_count], axis=1) #合并
    df_fre.columns = ['Value1', 'Value2', 'Value3', 'Value4', 'Value5', 'freq1', 'freq2', 'freq3', 'freq4', 'freq5']
    
    #缺失值
    df_miss = df.apply(lambda x: np.sum(np.isin(x, missSet)))
    df_miss = df_miss.to_frame('freq_miss')
    
    #合并所有统计指标
    df_eda_summary = pd.concat([count_un, count_zero, df_mean, df_median, df_mode, df_mode_count, df_mode_perct, df_min, df.max, df_fre, df_miss], axis=1)
    
    return df_eda_summary

调用以上模块：

import wrap_un import *

df = pd.read_csv(".csv")
label = df['TARGET']
df = df.drop(['ID', 'TARGET'], axis=1)

df_eda_summary = eda_analysis(missSet=[np.nan, 9999999999, -999999], df=df.iloc[:, 0:3])

测试：

start = timeit.default_timer()
df_eda_summary = eda_analysis(missSet=[np.nan, 9999999999, -999999], df=df.iloc[:, 0:3])
print "EDA Running Time: {0:.2f} seconds".format(timeit.default_timer()-start)

'''

Created on 2018年7月16日

@author: Administrator

'''

#-*-coding:utf-8-*-

from __future__ import division

import pandas as pd

import numpy as np

from scipy import stats

from datetime import datetime

def fill_fre_top_5(x):

    if(len(x))<=5:

        new_array =np.full(5, np.nan)

        new_array[0:len(x)] =x

        return new_array

def eda_analysis(missSet=[np.nan, 9999999999, -999999], df=None):

    ##1.Count

    count_un = df.apply(lambda x:len(x.unique()))

    count_un = count_un.to_frame('count')

    ##2.Count Zero

    count_zero = df.apply(lambda x:np.sum(x==0))

    count_un = count_zero.to_frame('count_zero')

    ##3.Mean

    df_mean = df.apply(lambda x:np.mean(x[~np.isin(x, missSet)]))

    df_mean = df_mean.to_frame('mean')

    ##4.Median

    df_median = df.apply(lambda x:np.median(x[~np.isin(x, missSet)]))  

    df_median = df_median.to_frame('median')

    ##5.Mode

    df_mode = df.apply(lambda x:stats.mode(x[~np.isin(x, missSet)])[0][0])

    df_mode = df_mode.to_frame('mode')

    ##6.Mode Percentage

    df_mode_count = df.apply(lambda x:stats.mode(x[~np.isin(x, missSet)])[1][0])

    df_mode_count = df_mode_count.to_frame('mode_count')

    df_mode_perct = df_mode_count/df.shape[0]

    df_mode_perct.columns =['mode_perct']

    ##7.Min

    df_min = df.apply(lambda x:np.min(x[~np.isin(x, missSet)]))  

    df_min = df_min.to_frame('min')

    ##8.Max

    df_max = df.apply(lambda x:np.max(x[~np.isin(x, missSet)]))

    df_max = df_max.to_frame('max')

    ##9.Quantile

    json_quantile ={}

    for i, name in enumerate(df.columns):

        json_quantile[name] = np.percentile(df[name][~np.isin(df[name],missSet)],(1,5,25,50,75,95,99))

    df_quantile = pd.DataFrame(json_quantile)[df.columns].T

    df_quantile.columns=['quan01','quan05','quan25','quan50','quan75','quan95','quan99']

    ##10.Frequence

    json_fre_name ={}

    json_fre_count ={}

    for i,name in enumerate(df.columns):

        ##1.Index Name

        index_name = df[name][~np.isin(df[name],missSet)].value_counts().iloc[0:5, ].index.values

        ##1.1 If the length of array is less than 5

        index_name=fill_fre_top_5(index_name)

        ##2.Value Count

        values_count=df[name][~np.isin(df[name],missSet)].value_counts().iloc[0:5, ].values

        ##2.1 If the length of array is less than 5

        values_count = fill_fre_top_5(values_count)

        json_fre_count[name]=values_count

    df_fre_name =pd.DataFrame(json_fre_name)[df.columns].T

    df_fre_count =pd.DataFrame(json_fre_count)[df.columns].T

    df_fre = pd.concat([df_fre_name, df_fre_count],axis=1)

    df_fre.columns=['value1','value2','value3','value4','value5','freq1','freq2','freq3','freq4','freq5']

    ##11.Miss Value Count

    df_miss = df.apply(lambda x:np.sum(np.isin(x,missSet)))

    df_miss = df_miss.to_frame('freq_miss')

    #####12.Combine All Informations#####

    df_eda_summary = pd.concat(

        [count_un, count_zero, df_mean, df_median, 

        df_mode, df_mode_count,df_mode_perct,

        df_min,df_max,df_fre,df_miss], axis=1)

    return df_eda_summary

'''

Created on 2018年7月10日

Kaggle网站公开的数据

@author: Administrator

'''

#-*-coding:utf-8-*-

from __future__ import division

import pandas as pd

import numpy as np

from scipy import stats

##0.Read Data ##

df = pd.read_csv("train.csv")

label = df['TARGET']

df = df.drop(['ID', 'TARGET'], axis = 1)

##1.Basic Analysis##

#(1)Missing Value#

missSet = [np.nan, 9999999999, -999999]

#(2)Count distinct#

len(df.iloc[:,0].unique())

count_un = df.iloc[:,0:3].apply(lambda x:len(x.unique()))

#(3)Zero Values#

np.sum(df.iloc[:,0]==0)

count_zero = df.iloc[:,0:3].apply(lambda x:np.sum(x==0))

#(4)Mean Values#

np.mean(df.iloc[:,0]) #没有去除缺失值之前的均值很低

df.iloc[:,0][~np.isin(df.iloc[:,0],missSet)]#去除缺失值

np.mean(df.iloc[:,0][~np.isin(df.iloc[:,0],missSet)])#去除缺失值后进行均值计算

df_mean = df.iloc[:,0:3].apply(lambda x:np.mean(x[~np.isin(x, missSet)]))

#(5)Median Values#

np.median(df.iloc[:,0])#没有去除缺失值之前

df.iloc[:,0][~np.isin(df.iloc[:,0], missSet)]#去除缺失值

np.median(df.iloc[:,0][~np.isin(df.iloc[:,0],missSet)])#去除缺失值后进行中位数计算

df_median = df.iloc[:,0:3].apply(lambda x:np.median(x[~np.isin(x, missSet)]))                          

#(6)Mode Values#

df_mode = df.iloc[:,0:3].apply(lambda x:stats.mode(x[~np.isin(x, missSet)])[0][0])

#(7)Mode Percentage#

df_mode_count = df.iloc[:,0:3].apply(lambda x:stats.mode(x[~np.isin(x, missSet)])[1][0])

df_mode_perct = df_mode_count/df.shape[0]

#(8)Min Values#

np.min(df.iloc[:,0])

df.iloc[:,0][~np.isin(df.iloc[:,0], missSet)]#去除缺失值

np.min(df.iloc[:,0][~np.isin(df.iloc[:,0],missSet)])#去除缺失值后进行最小值计算

df_min = df.iloc[:,0:3].apply(lambda x:np.min(x[~np.isin(x, missSet)]))  

#(9)Max Values#

np.max(df.iloc[:,0])

df.iloc[:,0][~np.isin(df.iloc[:,0], missSet)]#去除缺失值

np.max(df.iloc[:,0][~np.isin(df.iloc[:,0],missSet)])#去除缺失值后进行最大值计算

df_max = df.iloc[:,0:3].apply(lambda x:np.max(x[~np.isin(x, missSet)]))

#(10)quantile Values#

np.percentile(df.iloc[:,0],(1,5,25,50,75,95,99))

df.iloc[:,0][~np.isin(df.iloc[:,0], missSet)]#去除缺失值

np.percentile(df.iloc[:,0][~np.isin(df.iloc[:,0], missSet)], (1,5,25,50,75,95,99))#去除缺失值后进行分位点计算

json_quantile ={}

for i,name in enumerate(df.iloc[:,0:3].columns):

    print('the {} columns:{}').format(i,name)

    json_quantile[name] = np.percentile(df[name][~np.isin(df[name],missSet)],(1,5,25,50,75,95,99))

df_quantile = pd.DataFrame(json_quantile)[df.iloc[:,0:3].columns].T

#(11)Frequent Values#

df.iloc[:,0].value_counts().iloc[0:5,]   

df.iloc[:,0][~np.isin(df.iloc[:,0],missSet)]#去除缺失值

df.iloc[:,0][~np.isin(df.iloc[:,0], missSet)].value_counts()[0:5]#去除缺失值后进行频数的计算

json_fre_name =0

json_fre_count ={}

def fill_fre_top_5(x):

    if(len(x))<=5:

        new_array =np.full(5, np.nan)

        new_array[0:len(x)] =x

        return new_array

df['ind_var1_0'].value_counts()

df['imp_sal_var16_ultl'].value_counts()

for i,name in enumerate(df[['ind_var1_0','imp_sal_var16_ultl']].columns):

    ##1.Index Name

    index_name = df[name][~np.isin(df[name],missSet)].value_counts().iloc[0:5, ].index.values

    ##1.1 If the length of array is less than 5

    index_name=fill_fre_top_5(index_name)

    ##2.Value Count

    values_count=df[name][~np.isin(df[name],missSet)].value_counts().iloc[0:5, ].values

    ##2.1 If the length of array is less than 5

    values_count = fill_fre_top_5(values_count)

    json_fre_count[name]=values_count

df_fre_name =pd.DataFrame(json_fre_name)[df[['ind_var1_0','imp_sal_var16_ultl']].columns].T

df_fre_count =pd.DataFrame(json_fre_count)[df[['ind_var1_0','imp_sal_var16_ultl']].columns].T

df_fre = pd.concat([df_fre_name, df_fre_count],axis=1)

#(12)Miss Values#

np.sum(np.isin(df.iloc[:,0],missSet))#统计缺失值

df_miss = df.iloc[:,0:3].apply(lambda x:np.sum(np.isin(x,missSet)))#遍历每一个遍历的缺失值情况