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
汇总和报告EDA结果
这部分内容有帮助吗？
- Python for Data Analysis, Wes McKinney, 2022 (O'Reilly Media) - 一本关于使用 Python 和 Pandas 进行数据操作与分析的综合指南，其中广泛涵盖了探索性数据分析技术和数据准备，这对于组织 EDA 结果至关重要。
- Storytelling with Data: A Data Visualization Guide for Business Professionals, Cole Nussbaumer Knaflic, 2015 (John Wiley & Sons) - 提供如何通过清晰的可视化和叙述有效传达数据见解的实用指导，这对于报告 EDA 结果非常重要。
- Computational notebooks as a means for reproducible data science, Christian A. C. Böttcher and R. B. A. M. H. Farenhorst, 2019 Big Data and Cognitive Computing, Vol. 3 (MDPI) DOI: 10.3390/bdcc3030038 - 讨论了 Jupyter 等计算笔记本如何通过整合代码、结果和叙述来促进可复现的数据分析，这与本节强调的文档记录和知识共享相符。
- Feature Engineering for Machine Learning: Principles and Techniques for Building Predictive Models, Alice Zheng, Amanda Casari, 2018 (O'Reilly Media) - 本书提供了创建和选择特征的实用指导，并非常强调探索性数据分析的见解如何为机器学习的这些步骤提供信息。