趋近智
数据概览分析入门
章节 1: 数据初步分析的原理
什么是数据初步分析？
EDA的目标
数据初步分析流程
EDA 的工具：Python 库简介
设置您的环境
章节 2: 数据加载、检查与初步清理
从多种来源加载数据（CSV、Excel、JSON）
数据初步观察：形状、头部、尾部
理解数据类型（dtypes）
处理缺失数据：识别
缺失数据的处理策略：填充与删除
检测和处理重复记录
动手实践：数据加载与初步整理
章节 3: 单变量分析：理解单个变量
分析数值变量：集中趋势
数值变量分析：离散程度
数值变量可视化：直方图
数值变量的可视化：箱线图
分析分类变量：频数统计
可视化分类变量：柱状图
使用统计方法识别异常值
练习：单变量数据分析
章节 4: 双变量分析：考察变量间的关系
数值变量与数值变量：散点图
数值变量与数值变量：相关性分析
相关性可视化：热力图
数值型与分类型：比较图表
分类变量与分类变量：交叉制表
分类变量间的可视化：堆叠条形图与分组条形图
动手实践：双变量分析
章节 5: 高级数据可视化与特征工程入门
多元数据可视化：对图
自定义图表以提高清晰度（标题、标签、图例）
特征工程思想介绍
从现有特征生成新特征
基本数据转换：缩放与归一化
处理分类特征：编码方法
降维思路介绍
汇总和报告EDA结果
实践操作：特征创建与归纳
缺失数据的处理策略：填充与删除
这部分内容有帮助吗？
- Data Mining: Concepts and Techniques, Jiawei Han, Micheline Kamber, and Jian Pei, 2011 (Elsevier) - 详细介绍了数据预处理方法的综合性教科书，包括处理缺失数据的策略、优点和缺点。
- Missing Data Analysis: A Practical Guide to Multiple Imputation, John W. Graham, 2012 (Springer) DOI: 10.1007/978-1-4614-4018-5 - 讨论缺失数据分析，介绍了缺失数据机制的理论背景以及简单删除和填充方法的局限性。
- Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow, Aurélien Géron, 2022 (O'Reilly Media) - 处理数据预处理步骤，包括管理缺失数据，并在机器学习项目中提供策略和考量。
- Missing Data, Paul D. Allison, 2001 Quantitative Applications in the Social Sciences, Vol. 136 (SAGE Publications, Inc.) DOI: 10.4135/9781412984183 - 一部经典指南，提供了对缺失数据问题和基本处理方法的理解。