4、探索性数据分析（EDA）：描述性统计、可视化分析、相关性分析
拿到一份空气质量数据，别急着往上套模型。我个人的习惯是，先跟数据「聊聊天」。
什么叫聊天？就是做探索性数据分析，简称 EDA。说白了，就是看看数据长什么样，有没有脏数据，分布是否合理，变量之间有没有暧昧关系。这一步做扎实了，后面的建模才能心里有底。
4.1 描述性统计：先摸清数据的底细
描述性统计是最基础的一步。我一般会先看这几个指标：均值、中位数、标准差、最小值、最大值，还有四分位数。
举个例子，PM2.5 的浓度。如果均值是 80，中位数是 60，说明什么？说明数据右偏，有几天爆表了，把平均值拉上去了。我在项目里遇到过这种情况，一看数据，好家伙，某天 PM2.5 飙到 500+，明显是沙尘暴或者燃放烟花爆竹导致的。
| 指标 | 含义 | 关注点 |
|---|---|---|
| 均值 | 平均水平 | 易受极端值影响 |
| 中位数 | 中间位置的值 | 更能代表「典型」情况 |
| 标准差 | 波动程度 | 越大说明数据越不稳定 |
| 偏度 | 分布对称性 | 正偏表示右尾长 |
代码实现也很简单。用 pandas 的 describe() 方法，一行搞定：
import pandas as pd
df = pd.read_csv('air_quality.csv')
print(df.describe())输出结果里，你会看到每个数值列的统计量。嗯，这里要注意：如果某个特征的 count 明显少于其他列，说明有缺失值，得先处理。
4.2 可视化分析：一图胜千言
光看数字不够直观。我习惯画三张图：箱线图、直方图、时间序列图。这三张图能帮你快速定位问题。
4.2.1 箱线图：揪出异常值
箱线图能直观展示数据的分布和异常点。箱体代表四分位距，中间的线是中位数，两边的须是正常范围，超出须的点就是异常值。
我曾经在一个项目中，用箱线图一眼就发现了问题：某个监测站的 PM10 数据，箱线图的上须之外密密麻麻全是点。后来一查，是那个站点的传感器坏了，连续几天输出异常值。
import matplotlib.pyplot as plt
import seaborn as sns
plt.figure(figsize=(10, 6))
sns.boxplot(data=df[['PM2.5', 'PM10', 'NO2', 'SO2']])
plt.title('空气质量指标箱线图')
plt.show()4.2.2 直方图：看分布形态
直方图告诉你数据是正态分布、偏态分布还是双峰分布。这对后续选择算法很重要。比如，如果 PM2.5 的分布严重右偏，做线性回归前最好做对数变换。
你想想看，如果数据是双峰分布，说明什么？说明可能存在两种不同的状态。比如工作日和周末的交通排放不同，或者白天和夜间的工业活动不同。
plt.figure(figsize=(10, 6))
df['PM2.5'].hist(bins=50, edgecolor='black')
plt.title('PM2.5 浓度分布直方图')
plt.xlabel('浓度 (μg/m³)')
plt.ylabel('频数')
plt.show()4.2.3 时间序列图：看趋势和周期
空气质量数据是典型的时间序列。画一条时间轴上的折线图，能看出长期趋势、季节性波动和突发异常。
我记得有一次，时间序列图上突然出现一个尖峰，持续了三天。一开始以为是数据错误，后来查新闻，原来是附近发生了森林火灾。这个发现直接帮我们修正了异常检测的阈值。
plt.figure(figsize=(14, 6))
plt.plot(df['date'], df['PM2.5'], color='steelblue', linewidth=0.8)
plt.title('PM2.5 时间序列图')
plt.xlabel('日期')
plt.ylabel('浓度 (μg/m³)')
plt.xticks(rotation=45)
plt.show()4.3 相关性分析：变量之间的「暧昧关系」
相关性分析回答一个问题：哪些变量之间有关系？关系有多强？
最常用的是皮尔逊相关系数，取值范围在 -1 到 1 之间。绝对值越接近 1，相关性越强。正相关表示同增同减，负相关表示此消彼长。
corr_matrix = df[['PM2.5', 'PM10', 'NO2', 'SO2', 'CO', 'O3']].corr()
print(corr_matrix)输出是一个矩阵，对角线全是 1。我一般重点关注非对角线的值。比如 PM2.5 和 PM10 的相关系数通常很高，0.8 以上，因为它们来源相似。而 O3 和 NO2 往往是负相关，因为臭氧在夜间会被 NO 消耗。
为了更直观，我习惯画热力图：
plt.figure(figsize=(8, 6))
sns.heatmap(corr_matrix, annot=True, cmap='coolwarm', fmt='.2f')
plt.title('空气质量指标相关性热力图')
plt.show()做完相关性分析，你就能筛选出冗余特征。比如 PM2.5 和 PM10 高度相关，建模时可以考虑只保留一个，或者做 PCA 降维。这能减少模型复杂度，还能避免多重共线性问题。
好了，EDA 这一步走完，你对数据就有了全局认知。接下来就可以放心地做数据预处理和建模了。记住，EDA 不是走过场，它是你与数据之间的第一次深度对话。聊得越透，后面的路越顺。