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
自定义图表以提高清晰度（标题、标签、图例）
这部分内容有帮助吗？
- Matplotlib Legend Guide, Matplotlib Developers, 2024 (Matplotlib Developers) - 一个教程，解释如何在Matplotlib图中有效创建、自定义和放置图例，这对于区分数据系列至关重要。
- Matplotlib Text in Matplotlib, Matplotlib Developers, 2024 - 涵盖添加和自定义各种文本元素，包括图表标题、轴标签和注释，以提高可视化图的可读性。
- Customizing plots (Seaborn documentation), Michael Waskom, 2024 (Michael Waskom) - 展示如何调整Seaborn图的各种视觉属性，包括如何使用Matplotlib函数设置标题、标签和图例。
- Python Data Science Handbook: Essential Tools for Working with Data, Jake VanderPlas, 2016 (O'Reilly Media) - 一份关于Python数据科学的指南，其中包含专门的Matplotlib和Seaborn数据可视化章节，详细介绍了自定义选项。