第一章：数据探索性分析（EDA）基础
做风控模型这么多年，我有个习惯——拿到数据后，绝不急着建模。先做EDA，就像医生看病前先做检查一样。你想想看，数据质量都不过关，模型再花哨也是白搭。
这一章，咱们就聊聊EDA中最基础、也最核心的几个环节。说白了，就是先摸清数据的脾气。
1.1 描述性统计：先给数据画个像
描述性统计，就是给数据做个「体检报告」。我一般会先看这几个指标：均值、中位数、标准差。
- 均值：数据的平均水平。但要注意，均值容易被极端值带偏。
- 中位数：数据的中间位置。比均值更稳健，能反映真实水平。
- 标准差：数据波动的大小。标准差越大，数据越分散。
举个例子，某小微企业样本的「年营收」数据：
| 指标 | 值（万元） |
|---|---|
| 均值 | 185.6 |
| 中位数 | 92.3 |
| 标准差 | 312.4 |
看到没？均值185.6，中位数才92.3。差距这么大，说明数据右偏严重——少数大企业把均值拉高了。我在项目中遇到过类似情况，如果只看均值，你会误以为大部分企业营收都不错，其实一半以上连100万都不到。
1.2 缺失值分布与可视化
缺失值，是风控建模的老大难。我见过太多人一上来就删掉缺失行，结果模型效果一塌糊涂。
正确的做法是：先搞清楚缺失值长什么样。
import pandas as pd
import matplotlib.pyplot as plt
# 读取数据
df = pd.read_csv('enterprise_data.csv')
# 查看缺失值数量
missing_count = df.isnull().sum()
print(missing_count)
# 可视化缺失值
plt.figure(figsize=(10, 6))
missing_count.plot(kind='bar')
plt.title('各字段缺失值数量')
plt.ylabel('缺失数量')
plt.show()嗯，这里要注意：缺失值不是越多越糟糕。我曾经处理过一个「纳税等级」字段，缺失率高达60%。按理说该删掉，但后来发现——缺失的企业大多是刚成立的小微企业，本身就没纳税记录。这个缺失本身就是一个特征！
1. 缺失是随机的，还是有规律的？
2. 缺失比例是否超过50%？
3. 缺失本身是否包含业务含义？
1.3 异常值初步识别
异常值，就是数据里的「刺头」。它们可能是录入错误，也可能是真实的极端情况。
我常用的方法是箱线图法。箱线图会告诉你：哪些数据点超出了1.5倍四分位距。
import seaborn as sns
# 绘制箱线图
plt.figure(figsize=(12, 4))
sns.boxplot(x=df['负债率'])
plt.title('负债率箱线图')
plt.show()为什么会这样？有些企业的负债率超过200%，明显不合理。我记得有一次，一个企业的负债率显示为850%，后来一查，是数据录入时把「85%」写成了「850%」。这种错误，不画箱线图根本发现不了。
1.4 单变量分布分析
单变量分布，说白了就是看每个字段自己的「长相」。我一般用两种图：直方图和箱线图。
直方图：看数据的形状
# 绘制直方图
plt.figure(figsize=(10, 4))
plt.hist(df['年营收'], bins=50, edgecolor='black')
plt.title('年营收分布直方图')
plt.xlabel('年营收（万元）')
plt.ylabel('频数')
plt.show()直方图能告诉你数据是正态分布、偏态分布还是双峰分布。比如「年营收」通常是右偏的——大部分企业营收不高，少数头部企业拉高了整体。
箱线图：看数据的离散程度
箱线图除了能看异常值，还能看数据的集中趋势和离散程度。我习惯把多个字段的箱线图放在一起对比：
# 多字段箱线图对比
plt.figure(figsize=(14, 6))
sns.boxplot(data=df[['年营收', '负债率', '利润率']])
plt.title('关键指标箱线图对比')
plt.show()你想想看，如果「利润率」的箱线图特别扁，说明大部分企业利润都差不多。如果特别宽，说明企业间差异很大。这些信息，对后续特征工程和模型选择都很有帮助。