Python EDA Toolkit：可复用的探索性数据分析工具包

一个模块化的Python工具包，旨在标准化和加速数据科学工作流程，提供自动数据集分析、智能预处理建议、自动可视化和模型比较功能。

• 原作者/维护者: Beatriz Lamiquiz
• 来源平台: GitHub
• 原始标题: Python-EDA-Toolkit
• 原始链接: https://github.com/beatriangu/Python-EDA-Toolkit
• 发布时间: 2026-06-04

Python EDA Toolkit 是一个模块化的可复用Python包，专为简化、标准化和加速真实世界的数据科学工作流程而设计。它适用于Jupyter Notebook、Kaggle数据集、Google Colab以及各类机器学习项目，能够自动检测数据集问题、推荐预处理步骤、建议模型选择，并生成可视化图表。

工具包可以自动检查数据集，检测常见问题并提供分析：

• CSV、Excel和DataFrame数据加载
• 缺失值和重复数据检测
• 目标变量分布分析
• 类别不平衡检测
• 自动问题类型识别（分类/回归）
• 内存使用分析

基于规则的智能模块提供可解释的建议：

• 预处理建议: 根据数据特征推荐适当的清洗和转换步骤
• 可视化建议: 针对数据类型推荐最有效的图表类型
• 模型推荐: 基于问题类型和数据特征推荐合适的机器学习模型
• 标识符列检测: 自动识别可能不适合作为特征的ID列

支持生成多种类型的图表，并可导出为PNG格式：

• 目标变量分布图
• 相关性热力图
• 数值特征分布图
• 缺失值可视化地图
• 类别特征分布图

内置的模型比较功能可以自动训练和评估多个基线模型：

from python_eda_toolkit.models import compare_models

results = compare_models(df, target="status")
print(results)

示例输出：

                 model  accuracy  f1_score
1  LogisticRegression    0.9231    0.9492
2  RandomForestClassifier  0.9231    0.9492
0       DummyClassifier    0.7436    0.8529

from python_eda_toolkit import auto_analyze

df = auto_analyze(
    "data/parkinsons.csv",
    target="status"
)

这将自动执行：

• 数据集预览和形状分析
• 列检查和数据类型检查
• 缺失值和重复数据分析
• 内存使用分析
• 目标分布和类别不平衡检测
• 问题类型自动识别
• 预处理和模型推荐