一般在python進行數據分析/統計分析時，第一步總是對數據進行一些描述性分析、相關性分析，但是總會是有一大堆代碼，那么今天就介紹一個神器pandas_profiling，一行命令就能搞定大部分描述性分析！
安裝
pip install pandas_profiling
使用
那么我們繼續使用之前文章中使用過很多次的NBA數據集，還記得我們在介紹pandas使用的那篇文章中分很多章節去講解如何使用pandas對該數據集進行一些基礎的數據分析嗎(python數據分析萬字干貨！一個數據集全方位解讀pandas)。那就是使用df.describe()函數
df.describe()函數雖然功能強大，但對於進行詳細的探索性數據分析卻有些基礎。 pandas_profiling擴展了pandas DataFrame的功能，可以使用df.profile_report()進行快速的數據分析。只需要一行命令就能得到所有結果！
首先還是先導入數據
import pandas as pd
import pandas_profiling
nba = pd.read_csv('nba_all_elo.csv')然后只用一行命令就能得到全部的數據分析結果
nba.profile_report()
可以看到，除了之前我們需要的一些描述性統計數據，該報告還包含以下信息：
-
類型推斷：檢測數據幀中列的數據類型。
-
要點：類型，唯一值，缺失值
-
分位數統計信息，例如最小值，Q1，中位數，Q3，最大值，范圍，四分位數范圍
-
描述性統計數據，例如均值，眾數，標准偏差，總和，中位數絕對偏差，變異系數，峰度，偏度
-
最常使用的值
-
直方圖
-
相關性矩陣
-
缺失值矩陣，計數，熱圖和缺失值樹狀圖
-
文本分析：了解文本數據的類別（大寫，空格），腳本（拉丁，西里爾字母）和塊（ASCII）
當然我們還以將該報告保存為html，這樣結合Django可以快速將本次分析結果部署至雲端隨時隨地查看！
result = pandas_profiling.ProfileReport(nba)
result.to_file("./result.html")參考資料
[1]
GitHub: https://github.com/pandas-profiling/pandas-profiling
