二手车交易价格预测：EDA-数据探索性分析_python二手车售价预测-优快云博客

本文探讨了二手车交易价格预测的数据探索性分析（EDA），包括数据缺省值的可视化分析，预测值的分布，数字特征与类型特征的详细探究。通过numpy函数统计数据，并利用matplotlib绘制价格分布图，揭示数据的结构和规律，为后续的机器学习建模提供有价值的信息。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

昨日学习了：
pandas读取csv的数据
head()–用于简单浏览数据形式，前五行
info()–可以看到每列名称，查询数据大小，类型及是否含有缺失值
describe()–数据的统计信息，包括mean,min,max,25%,50%,75%，及std
通过’.columns’ ,得到各列名称
通过‘.shape’得到矩阵大小
fillna（-1）将缺省值用-1代替

定义了一个统计函数，方便后续信息统计

def Sta_inf(data):
print(’_min’,np.min(data))
print(’_max:’,np.max(data))
print(’_mean’,np.mean(data))
print(’_ptp’,np.ptp(data))
print(’_std’,np.std(data))
print(’_var’,np.var(data))

python 中numpy的var，std，ptp
var：表示方差，即各项值-均值的平方求和后再除以N。方差（Variance）：表示一个随机变量的离散程度，也就是该变量离其期望值的距离。
std：表示标准差，是var的平方根。
ptp：最大值与最小值的差
在这里插入图片描述
利用plt.hist(Y_data)绘制价格的分布统计图

二手车交易价格预测：EDA-数据探索性分析

数据探索在机器学习中我们一般称为EDA（Exploratory Data Analysis），是指对已有的数据（特别是调查或观察得来的原始数据）在尽量少的先验假定下进行探索，通过作图、制表、方程拟合、计算特征量等手段探索数据的结构和规律的一种数据分析方法。
数据探索有利于我们发现数据的一些特性，数据之间的关联性，对于后续的特征构建是很有帮助的。