4. 探索性数据分析（EDA）：数据可视化

数据拿到手，别急着往模型里塞。我个人的习惯是，先花半天时间跟数据“聊聊天”。

EDA 说白了，就是让你用眼睛去发现数据里的秘密。哪些特征跟功率强相关？哪些传感器坏了？有没有异常的风况？这些都能在图上看得一清二楚。

这一章，咱们就聚焦在三种最实用的图：散点图、箱线图、相关性热力图。嗯，这三板斧用好了，数据规律和异常基本就无处遁形了。

4.1 散点图：看关系，找异常

散点图是最直观的工具。你想想看，风速和功率的关系，理论上是一条“S”型曲线（功率曲线）。但实际数据呢？

我在内蒙古一个风场就遇到过，散点图上一堆点飘在功率曲线下方。一开始以为是模型不准，后来发现是那台机组的桨距角执行器有卡涩。你看，一张图就揪出了一个机械故障。

代码示例：

import matplotlib.pyplot as plt
import seaborn as sns

# 假设 df 是你的数据框，包含 'wind_speed' 和 'active_power'
plt.figure(figsize=(10, 6))
sns.scatterplot(data=df, x='wind_speed', y='active_power', alpha=0.5)
plt.title('风速 vs 有功功率 散点图')
plt.xlabel('风速 (m/s)')
plt.ylabel('有功功率 (kW)')
plt.grid(True, linestyle='--', alpha=0.7)
plt.show()

看这张图，你要关注三点：

• 趋势对不对？ 是不是大致符合功率曲线？
• 有没有“离群点”？ 比如风速 12m/s 时功率只有 500kW，这肯定有问题。
• 有没有“分层”？ 有时候不同机组、不同季节的数据会形成不同的簇。

4.2 箱线图：揪出“坏”数据

箱线图是看数据分布的利器。它能告诉你中位数、四分位数，还有——异常值。

为什么会特别关注异常值？因为风功率数据里，异常值往往意味着：

• 传感器故障（比如风速计冻住了）
• 通讯中断（数据包丢失，补了个默认值）
• 机组限功率运行（电网调度指令）

代码示例：

plt.figure(figsize=(12, 6))
sns.boxplot(data=df[['wind_speed', 'active_power', 'temperature']])
plt.title('关键特征箱线图')
plt.ylabel('数值')
plt.show()

看箱线图时，我一般会：

1. 先看中位数位置，判断数据是否偏斜。
2. 再看箱体宽度，了解数据波动范围。
3. 最后看“胡须”外面的点，那些就是潜在的异常值。

对于这些异常值，我的处理原则是：不轻易删除，先溯源。如果是传感器偶发故障，直接剔除；如果是限功率运行，要打标签保留，因为那是真实工况。

4.3 相关性热力图：找“亲戚”

做预测模型，你得知道哪些特征对功率影响大。相关性热力图就是干这个的。

它用颜色表示两个变量之间的线性相关程度。深红色表示强正相关，深蓝色表示强负相关，白色表示没关系。

代码示例：

# 计算相关系数矩阵
corr_matrix = df.corr()

# 绘制热力图
plt.figure(figsize=(14, 10))
sns.heatmap(corr_matrix, annot=True, fmt='.2f', cmap='RdBu_r', 
            square=True, cbar_kws={"shrink": 0.8})
plt.title('特征相关性热力图')
plt.show()

看热力图时，我重点关注：

• 目标变量（功率）与其他特征的相关性。 风速、桨距角、转速，这些通常相关性高。
• 特征之间的相关性。 如果两个特征相关系数超过 0.9，比如“机舱温度”和“齿轮箱温度”，那它们携带的信息高度重叠。建模时可以考虑只保留一个，避免多重共线性。
• 意外的强相关。 比如“环境温度”和“功率”如果强相关，可能说明机组在高温下存在降容运行。

4.4 知识体系：EDA 核心逻辑

下面这张图，是我自己总结的 EDA 流程。每次做项目前，我都会在脑子里过一遍。

你看，EDA 不是一蹴而就的。它是一个循环迭代的过程。发现异常 → 处理数据 → 重新可视化 → 再发现。直到你对数据有了“感觉”，才进入建模阶段。

4.5 实战避坑指南

最后，分享几个我这些年总结的教训：

嗯，EDA 这部分就聊到这儿。记住一句话：好的模型，始于好的数据理解。 别急着调参，先把图看明白。

---

公众号:蓝海资料掘金营，微信deep3321