数据探索与可视化：先看看你的数据长什么样

拿到风电数据的第一件事是什么？不是急着调模型，而是先跟数据「打个招呼」。我个人的习惯是，先花半小时把数据摸一遍，看看它有没有「生病」。这步做好了，后面能省下大把的调试时间。

说白了，数据探索就像医生给病人做体检。你得先知道血压、心率、体温这些指标，才能判断哪里出了问题。风电数据也一样，传感器采集来的信号，可能带着噪声、缺失值，甚至还有异常点。我们这节课就来干这件事。

1. 加载CSV数据：第一步，把数据请进来

Python里加载CSV，最常用的就是pandas。我一般这么写：

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns

# 加载风电数据
df = pd.read_csv('wind_turbine_data.csv', parse_dates=['timestamp'])
print('数据加载完成，形状为：', df.shape)

这里有个小细节——parse_dates参数。我遇到过不少同学，数据加载完才发现时间列是字符串类型，后面处理起来特别麻烦。所以，加载时就指定时间列，省得后面再转换。

2. describe() 和 info()：快速摸清数据底细

加载完数据，我习惯先跑两个函数：

# 查看数据基本信息
print(df.info())

# 查看数值型列的统计摘要
print(df.describe())

info()会告诉你每列的数据类型、非空值数量。嗯，这里要注意——如果某列显示object类型，但实际应该是数值，那就要检查是不是混入了字符串（比如「N/A」或「-」）。

describe()则给出均值、标准差、四分位数等统计量。我特别关注min和max这两行。举个例子，风速传感器的正常范围是0~30m/s，如果max显示100，那肯定有问题。

指标	风速(m/s)	功率(kW)	转速(rpm)
count	10000	10000	10000
mean	8.5	1500	12.3
std	4.2	800	3.1
min	0.0	-50	0.0
max	35.0	2500	20.0

你看，功率的min是-50，这明显不合理——功率不可能是负值。这就是异常值的信号。

3. 缺失值可视化：找到数据里的「黑洞」

风电数据里，缺失值很常见。传感器故障、通信中断、维护停机，都可能导致数据缺失。我习惯用热力图来可视化缺失情况：

import missingno as msno

# 缺失值矩阵图
msno.matrix(df)
plt.title('缺失值分布矩阵')
plt.show()

# 缺失值柱状图
msno.bar(df)
plt.title('各列缺失值数量')
plt.show()

为什么要可视化？因为光看数字不够直观。你想想看，如果缺失值集中在某段时间，那可能是那个时间段传感器出了问题。如果缺失值随机分布，那可能是偶发性的通信丢包。

4. 箱线图与异常值初探：揪出「捣乱分子」

箱线图是发现异常值的利器。它用四分位数来定义正常范围，超出1.5倍IQR（四分位距）的点就被标记为异常值。

# 绘制风速的箱线图
plt.figure(figsize=(10, 6))
sns.boxplot(x=df['wind_speed'])
plt.title('风速箱线图')
plt.show()

# 同时绘制多个特征
plt.figure(figsize=(12, 6))
sns.boxplot(data=df[['wind_speed', 'power', 'rotor_speed']])
plt.title('多个特征的箱线图对比')
plt.show()

箱线图能告诉你三件事：

• 数据的集中趋势：中位数在哪里
• 数据的离散程度：箱体有多宽
• 异常值的位置：那些孤零零的小圆点

举个例子，风速的箱线图显示上边缘是25m/s，但有几个点跑到了40m/s。这些点可能是极端天气，也可能是传感器故障。怎么区分？我会结合时间戳去看——如果这些点发生在台风天，那可能是真实数据；如果发生在风和日丽的下午，那八成是传感器抽风了。

5. 知识体系总览

下面这张图，把数据探索的核心流程串起来了：

这张图展示了数据探索的四个核心步骤，以及每个步骤需要关注的关键点。从加载数据开始，到基本信息查看，再到缺失值和异常值的识别，每一步都在为后续的异常检测打基础。

6. 实战小贴士：把这些代码串起来

最后，我分享一个我常用的「数据体检」模板。每次拿到新数据，我都会跑一遍：

def data_health_check(df):
    """数据健康检查函数"""
    print("="*50)
    print("1. 数据形状：", df.shape)
    print("="*50)
    
    print("\n2. 列信息：")
    print(df.info())
    
    print("\n3. 统计摘要：")
    print(df.describe())
    
    print("\n4. 缺失值统计：")
    missing = df.isnull().sum()
    missing_pct = (missing / len(df)) * 100
    missing_df = pd.DataFrame({'缺失数量': missing, '缺失比例(%)': missing_pct})
    print(missing_df[missing_df['缺失数量'] > 0])
    
    # 绘制箱线图
    numeric_cols = df.select_dtypes(include=[np.number]).columns[:6]
    fig, axes = plt.subplots(2, 3, figsize=(15, 8))
    axes = axes.flatten()
    for i, col in enumerate(numeric_cols):
        sns.boxplot(y=df[col], ax=axes[i])
        axes[i].set_title(f'{col} 箱线图')
    plt.tight_layout()
    plt.show()
    
    return missing_df

# 使用示例
missing_info = data_health_check(df)

这个函数会一口气输出数据的基本信息、统计摘要、缺失情况，还会自动绘制箱线图。我建议你把它保存下来，以后每个项目都能用。

数据探索这一步，说白了就是跟数据「混个脸熟」。你花的时间越多，后面建模就越顺。别急着跳过去，慢慢来，比较快。

---