# Životní cyklus datové vědy: Analýza | ](../../sketchnotes/15-Analyzing.png)| |:---:| | Životní cyklus datové vědy: Analýza - _Sketchnote od [@nitya](https://twitter.com/nitya)_ | ## [Kvíz před lekcí](https://ff-quizzes.netlify.app/en/ds/quiz/28) Analýza v životním cyklu dat potvrzuje, že data mohou odpovědět na položené otázky nebo vyřešit konkrétní problém. Tato fáze se také zaměřuje na ověření, zda model správně řeší tyto otázky a problémy. Tato lekce se soustředí na průzkumnou analýzu dat (Exploratory Data Analysis, EDA), což jsou techniky pro definování vlastností a vztahů v datech, které mohou být použity k přípravě dat pro modelování. Budeme používat příkladovou datovou sadu z [Kaggle](https://www.kaggle.com/balaka18/email-spam-classification-dataset-csv/version/1), abychom ukázali, jak lze tyto techniky aplikovat pomocí Pythonu a knihovny Pandas. Tato datová sada obsahuje počty některých běžných slov nalezených v e-mailech, přičemž zdroje těchto e-mailů jsou anonymní. Použijte [notebook](notebook.ipynb) v tomto adresáři, abyste mohli postupovat podle příkladu. ## Průzkumná analýza dat Fáze sběru v životním cyklu je místem, kde jsou data získávána a kde jsou definovány problémy a otázky. Ale jak zjistíme, zda data mohou podpořit požadovaný výsledek? Připomeňme si, že datový vědec si může při získávání dat klást následující otázky: - Mám dostatek dat k vyřešení tohoto problému? - Jsou data dostatečně kvalitní pro tento problém? - Pokud prostřednictvím těchto dat objevím další informace, měli bychom zvážit změnu nebo redefinici cílů? Průzkumná analýza dat je proces, při kterém se seznamujeme s daty, a může být použita k zodpovězení těchto otázek a k identifikaci výzev spojených s prací s danou datovou sadou. Zaměřme se na některé techniky, které se k tomu používají. ## Profilování dat, popisná statistika a Pandas Jak zjistíme, zda máme dostatek dat k vyřešení problému? Profilování dat může shrnout a shromáždit obecné informace o naší datové sadě pomocí technik popisné statistiky. Profilování dat nám pomáhá pochopit, co máme k dispozici, a popisná statistika nám pomáhá pochopit, kolik toho máme. V několika předchozích lekcích jsme použili Pandas k získání popisné statistiky pomocí funkce [`describe()`](https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.DataFrame.describe.html). Tato funkce poskytuje počet, maximální a minimální hodnoty, průměr, směrodatnou odchylku a kvantily číselných dat. Použití popisné statistiky, jako je funkce `describe()`, vám může pomoci posoudit, kolik dat máte, a zda potřebujete více. ## Vzorkování a dotazování Prozkoumání celého velkého datasetu může být velmi časově náročné a obvykle je to úkol, který se přenechává počítači. Vzorkování je však užitečný nástroj pro pochopení dat a umožňuje nám lépe porozumět tomu, co dataset obsahuje a co reprezentuje. Pomocí vzorku můžete aplikovat pravděpodobnost a statistiku k vytvoření obecných závěrů o vašich datech. I když neexistuje žádné pevné pravidlo, kolik dat byste měli vzorkovat, je důležité si uvědomit, že čím více dat vzorkujete, tím přesnější zobecnění můžete vytvořit. Pandas obsahuje funkci [`sample()`](https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.DataFrame.sample.html), kde můžete zadat argument, kolik náhodných vzorků chcete získat a použít. Obecné dotazování na data vám může pomoci odpovědět na některé obecné otázky a teorie, které můžete mít. Na rozdíl od vzorkování vám dotazy umožňují mít kontrolu a zaměřit se na konkrétní části dat, na které máte otázky. Funkce [`query()`](https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.DataFrame.query.html) v knihovně Pandas vám umožňuje vybrat sloupce a získat jednoduché odpovědi na data prostřednictvím získaných řádků. ## Průzkum pomocí vizualizací Nemusíte čekat, až budou data důkladně vyčištěna a analyzována, abyste mohli začít vytvářet vizualizace. Ve skutečnosti může vizuální reprezentace během průzkumu pomoci identifikovat vzory, vztahy a problémy v datech. Navíc vizualizace poskytují způsob komunikace s těmi, kteří se nepodílejí na správě dat, a mohou být příležitostí ke sdílení a objasnění dalších otázek, které nebyly řešeny ve fázi sběru. Podívejte se na [sekci o vizualizacích](../../../../../../../../../3-Data-Visualization), kde se dozvíte více o některých populárních způsobech vizuálního průzkumu. ## Průzkum za účelem identifikace nesrovnalostí Všechny témata v této lekci mohou pomoci identifikovat chybějící nebo nekonzistentní hodnoty, ale Pandas poskytuje funkce pro kontrolu některých z nich. [isna() nebo isnull()](https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.isna.html) mohou kontrolovat chybějící hodnoty. Důležitou součástí průzkumu těchto hodnot v datech je zjistit, proč se tam vůbec objevily. To vám může pomoci rozhodnout, jaké [kroky podniknout k jejich vyřešení](/2-Working-With-Data/08-data-preparation/notebook.ipynb). ## [Kvíz po lekci](https://ff-quizzes.netlify.app/en/ds/quiz/29) ## Zadání [Průzkum pro odpovědi](assignment.md) --- **Upozornění**: Tento dokument byl přeložen pomocí služby pro automatický překlad [Co-op Translator](https://github.com/Azure/co-op-translator). I když se snažíme o co největší přesnost, mějte prosím na paměti, že automatické překlady mohou obsahovat chyby nebo nepřesnosti. Původní dokument v jeho původním jazyce by měl být považován za závazný zdroj. Pro důležité informace doporučujeme profesionální lidský překlad. Neodpovídáme za žádná nedorozumění nebo nesprávné výklady vyplývající z použití tohoto překladu.