我假设您询问的是表格数据而不是视觉或 NLP。它不存在是因为 1) 有太多类型的数据和奇怪的问题，以及 2) 单变量 EDA 通常是不够的。如果有帮助，我可以详细说明我通常对单变量分析所做的工作。

在监督机器学习的背景下。我有一个通用的 R 降价文件，用于生成给定变量的 Word 报告。我喜欢 word 格式，因为我可以在专业环境中轻松地注释、评论和分享它们。我使用另一个 R 脚本为我的所有变量生成这些报告。在某些时候，我试图在 Python 中做同样的事情，但没有设法通过简单的格式化得到类似的东西。

在本报告中，我默认（括号中的调整）用于连续变量：

• 变量名，格式
• 生成单变量分布图和对数图（删除 0.001 和 0.999 分位数异常值，缺失值，如果变量为负数，可能会变得棘手 - 我经常使用 |x| * log(1+c*|x|) 转换 - 不是最佳的，而是行）。
• 相同的图表，但具有正/负类的分布（对于不平衡的问题，缩放可能很棘手）
• 某种部分依赖图（将变量分组在桶中并查看相关的正比率）
• 一个包含主要值的表（平均值、中值、最小值、最大值、极端分位数、缺失值计数、NA 的奇怪编码计数，它还检测某个值是否被超过 5% 的实例采用并给出该计数）和如上计算的相关阳性率
• 关于我的一些主要识别变量（想想性别或种族）、时间（看看是否有一些漂移）和一些平均值的地理分布的分布（通常以对数刻度）。

这是相对困难的，因为每个变量都是不同的，而且你总会有一个奇怪的变量导致一些错误，而且格式化很痛苦。如您所见，这完全取决于您的变量和问题。没有什么容易的（我花了大约 150 次尝试让它第一次处理我的所有变量）。

然后您必须单独查看每个报告，如果您想正确执行此操作可能需要几天时间，因为对于您要查找的内容没有任何规定。有时它是一个奇怪的分布颠簸，有时是缺失编码不正确的值，有时是类别差异，有时是一个非常倾斜的变量。由于问题通常取决于数据生成过程，因此它们的解决方案也取决于此，并且没有通用的规则来处理它们。

在某些时候，我试图为分类提供类似的东西，但没有得到任何令人满意的东西。如果类别数量非常低，我只是按类别和上面提到的一些主表计算正类。

然后，当您使用多元 EDA 时，事情会变得很奇怪。我通常做什么：

• 对 2D 绘图进行一些降维 (UMAP)，以查看是否存在集群，如果输出也是集群的。
• 一些线性相关分析，相关矩阵+一些聚类/树状图，但很少删除任何东西，因为我有不平衡的数据集，其中信息可能来自两个高度相关变量之间的差异。
• 我放弃了迭代变量选择过程的任何想法，并使用一个带有十几个变量（由专家选择）的简单模型来创建基准（想想 glmnet），然后对我的所有变量使用具有强正则化的模型（xgboost 或 vanilla NN） .
• 然后我删除了在大模型中不重要的 50%-80% 的变量。
• 之后就没有规则了（除了正面回答你的经理）

是的，有这个。

1. 经常检查目标的分布。如果分类，每个类的百分比。这对于许多类型的指标和损失都很重要。如果回归，检查某个固定值的最终高浓度。例如，经常发生由于处理目标的一些错误最终被估算并且有很多零。

2. 始终检查漂移。通常这些是 id。它们没有任何意义，但由于一些隐藏的偏见，它们常常使模型达到荒谬的高性能。

3. 了解特征的分布。通常，您在生产中的期望与测试中的不匹配。想想一些人口分布，这些人口在训练中以特定方式抽样，但在生产中会更加均匀匹配。这经常发生在流失/目标模型中

4. 如果您正在使用结构化数据，请花时间了解您的功能的含义。如果有可用的数据目录，请阅读它。示例：用户倾向于在购买前在网站上注册。然后，如果您正在拟合目标模型，可能是由于将注册用作功能（顺便说一句：这是一个真实的例子，我在三个不同的公司中看到的不止一次，也不是两次，而是超过三次。）

5. 如果您正在处理文本。花一些时间阅读几个例子。只是不要把它扔进模型里。NLP 是您对模型需要理解的内容最有直觉的少数用例之一。