4、探索性数据分析（EDA）：数据分布可视化、相关性分析、趋势与季节性分解
各位同行，咱们接着聊。上一节我们把数据清洗干净了，但光有干净数据还不够——你得知道这些数据到底长什么样，藏着什么秘密。这就是EDA要做的事。
我个人习惯，拿到清洗后的数据，第一件事不是急着建模，而是先画图。你想想看，一堆数字摆在那，你很难看出门道。但一张图，有时候一眼就能发现问题。
4.1 数据分布可视化：看看数据“长”什么样
数据分布，说白了就是看某个参数（比如风速、功率、振动值）的数值都集中在哪个范围。我见过不少风机，明明额定功率是2MW，但实际运行数据一画出来，大部分时间都在1.2MW附近晃悠。这说明什么？要么风资源不行，要么控制策略有问题。
常用的可视化手段就这几个：
- 直方图：看数据集中在哪个区间。比如风速直方图，能看出你风场的主导风速范围。
- 箱线图：看异常值。箱线图上下两个“须”之外的点，基本就是异常点了。我在项目中遇到过，齿轮箱振动值的箱线图，每年夏天都会多出几个离群点，后来发现是润滑脂高温失效导致的。
- 密度图：直方图的平滑版，适合对比不同机组的分布差异。
重点提醒：做直方图时，bin的个数别随便设。设少了看不清细节，设多了全是毛刺。我一般用“平方根法则”或“斯特吉斯公式”来算，或者直接试几个值，选看起来最顺眼的那个。
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
# 假设df是清洗后的数据
plt.figure(figsize=(12, 4))
# 风速分布
plt.subplot(1, 3, 1)
sns.histplot(df['wind_speed'], bins=30, kde=True)
plt.title('风速分布')
# 有功功率分布
plt.subplot(1, 3, 2)
sns.boxplot(y=df['active_power'])
plt.title('有功功率箱线图')
# 齿轮箱振动分布
plt.subplot(1, 3, 3)
sns.kdeplot(df['gearbox_vibration'], shade=True)
plt.title('齿轮箱振动密度图')
plt.tight_layout()
plt.show()
我的小技巧：看分布图时，别忘了对比设计值。比如设计风速是12m/s，但实际分布峰值在8m/s，那这个风场大概率是低风速机型选错了。
4.2 相关性分析：谁和谁“有关系”
相关性分析，就是找变量之间的“暧昧关系”。风速和功率肯定正相关，这谁都知道。但有些关系藏得很深——比如环境温度和变桨轴承温度，看起来八竿子打不着，但相关系数一算，嘿，还挺高。
为什么会这样？我后来查了现场记录，发现那台风机变桨轴承的散热风扇坏了，导致温度跟着环境温度一起波动。嗯，这就是相关性分析的价值——帮你发现那些“意料之外，情理之中”的关联。
常用的方法：
- 皮尔逊相关系数：最常用，适合线性关系。范围-1到1，绝对值越大关系越强。
- 斯皮尔曼秩相关系数：不要求线性，适合单调关系。我处理振动数据时常用这个，因为振动和磨损的关系往往不是线性的。
- 热力图：把相关系数矩阵画出来，一目了然。
# 计算相关系数矩阵
corr_matrix = df[['wind_speed', 'active_power', 'rotor_speed',
'gearbox_temp', 'ambient_temp']].corr(method='pearson')
# 画热力图
plt.figure(figsize=(8, 6))
sns.heatmap(corr_matrix, annot=True, cmap='coolwarm',
fmt='.2f', linewidths=0.5)
plt.title('关键参数相关性热力图')
plt.show()
我曾经踩过的坑：相关性不等于因果！有一次我发现“发电机温度”和“电网频率”相关系数高达0.8，差点以为发现了新大陆。后来一查，是因为那段时间电网改造，频率波动大，同时夏天高温导致发电机温度也高——纯粹是巧合。所以，看到高相关性，先问自己一句：“这合理吗？”
4.3 趋势与季节性分解：把时间序列“拆开”看
风机数据是典型的时间序列。时间序列里藏着三个成分：趋势、季节性、残差（随机波动）。
趋势，就是长期变化方向。比如某台风机功率逐年下降，那可能是叶片结垢或者齿轮箱效率衰退了。
季节性，就是周期性波动。风资源有季节性，这好理解。但有些季节性很隐蔽——比如冷却系统的效率，夏天低冬天高，这个周期和气温周期是同步的。
残差，就是去掉趋势和季节性之后剩下的“噪音”。如果残差突然变大，或者出现规律性波动，那就要警惕了——可能是有隐性故障在“冒头”。
我常用的分解方法是STL（Seasonal-Trend decomposition using LOESS）。它比经典加法/乘法分解更稳健，能处理非线性趋势。
from statsmodels.tsa.seasonal import STL
# 以有功功率为例，按小时重采样
power_series = df.set_index('timestamp')['active_power']
power_hourly = power_series.resample('H').mean()
# STL分解
stl = STL(power_hourly, period=24) # 24小时周期
result = stl.fit()
# 画图
fig, axes = plt.subplots(4, 1, figsize=(12, 8))
result.observed.plot(ax=axes[0], title='原始序列')
result.trend.plot(ax=axes[1], title='趋势')
result.seasonal.plot(ax=axes[2], title='季节性')
result.resid.plot(ax=axes[3], title='残差')
plt.tight_layout()
plt.show()
关键点：残差才是“宝藏”。我习惯在残差上设置阈值，一旦连续3个点超过2倍标准差，就触发预警。有一次就是这样发现了一台风机变桨系统的微小卡涩——功率曲线看起来正常，但残差里出现了规律性的尖峰。
4.4 本章知识体系
下面这张图，是我自己总结的EDA核心逻辑。你照着这个流程走，基本不会漏掉重要信息。
这张图的核心逻辑是：先看分布，了解数据的基本面貌；再看相关性，找出变量之间的关联；最后做时序分解，挖掘时间维度上的规律。这三步走完，你基本就能回答“数据里有什么异常”这个问题了。
我的经验：EDA不是一次性工作。你发现一个异常，处理完，还得回来重新做EDA，看看处理效果。我管这叫“EDA循环”——每循环一次，你对数据的理解就深一层。
好了，EDA这部分就聊到这。记住，EDA不是走过场，它是你和数据之间的“对话”。你问得越细，数据告诉你的就越多。