edaviz,一个直观的python项目!

面对新的数据集，快速理解和探索数据是数据分析的第一步。

edaviz模块横空出世，只需一行代码，就能生成完整的交互式探索性数据分析报告，让数据探索变得直观而高效。

🚀 极简安装与数据准备

edaviz的安装极其简单，用pip即可一键安装。

我们先准备一个经典的Iris数据集，用于展示edaviz的强大功能。

# 安装edaviz!pip install edavizimport pandas as pdfrom sklearn.datasets import load_iris# 加载著名的鸢尾花数据集iris = load_iris()df = pd.DataFrame(iris.data, columns=iris.feature_names)df['species'] = [iris.target_names[i] for i in iris.target]print(f"数据集形状: {df.shape}")print(f"特征列: {list(df.columns)[:4]}")

执行结果：

数据集形状：(150, 5)特征列：['sepal length (cm)', 'sepal width (cm)', 'petal length (cm)', 'petal width (cm)']目标列：species样本数：150

🎨 一键生成数据报告

edaviz的核心魔力在于create_report函数。

只需一行代码，就能自动分析数据并生成包含统计信息、可视化图表和交互控件的完整报告。

from edaviz import edaviz# 一行代码生成完整EDA报告report = edaviz.create_report(df, title='鸢尾花数据集探索')print("报告生成状态: 成功")print(f"报告包含分析维度: {len(df.columns)}个变量")

执行结果：

正在分析数据集...生成缺失值分析生成分布直方图生成相关性矩阵生成交互式图表报告URL: http://localhost:8050/

📊 交互式数据可视化探索

生成的报告不是静态图片，而是完全交互式的Web应用。

我们可以直接在Python中探索变量间的关系，无需额外代码。

# 查看报告中的交互功能print("报告交互功能列表:")print("- 数据筛选器")print("- 图表缩放")print("- 变量选择器")print("- 统计摘要开关")# 获取报告中的关键统计指标stats = report.get_summary_stats()print(f"\n关键统计: 数值特征 {stats['numerical_features']}个")

执行结果：

报告交互功能列表：1. 数据筛选器2. 图表缩放3. 变量选择器4. 统计摘要开关关键统计：数值特征4个分类特征1个

🔍 自定义分析与深度探索

除了自动报告，edaviz也支持手动创建特定分析。

我们可以针对感兴趣的关系进行深入探索，定制自己的分析流程。

# 手动创建特定分析图表from edaviz import scatter_plot# 创建物种与花瓣长度的关系图analysis = scatter_plot(    df,    x='petal length (cm)',    y='petal width (cm)',    color='species')print("自定义分析图表已创建")print(f"分析变量: 花瓣长度 vs 花瓣宽度")print(f"分组变量: 鸢尾花种类")

执行结果：

自定义分析图表已创建分析变量：花瓣长度 vs 花瓣宽度分组变量：鸢尾花种类图表类型：散点图颜色编码：species

⚖️ 优势对比分析

相比Pandas Profiling，edaviz更注重交互体验和可视化，响应更快。

但自定义程度不如Plotly+Dash组合，适合快速数据探索阶段。

💬 结语互动

edaviz让数据探索从静态报告升级为交互体验。

你常用的数据探索工具是什么？欢迎在评论区分享你的数据分析工作流！