探索性数据分析（Exploratory Data Analysis，简称 EDA） 是指在进行正式的统计建模或机器学习之前，对数据集进行初步探索、可视化和总结 的过程，其核心目标是理解数据的特征、发现规律、识别异常值和缺失值，为后续的数据分析和建模提供方向。
一、探索性数据分析的核心目的
- 了解数据基本结构
明确数据集的行数、列数、字段类型（数值型、分类型、时间型）、数据格式，判断数据是否符合分析需求。 - 识别数据质量问题
检测缺失值、重复值、异常值（离群点），并确定处理方案（如填充、删除、修正）。 - 发现数据分布规律
分析数值型变量的分布（如正态分布、偏态分布）、分类型变量的类别占比，判断数据是否满足建模假设。 - 挖掘变量间的关系
探索不同变量之间的相关性、因果性或潜在关联，为特征工程和建模变量选择提供依据。 - 提出分析假设
基于数据探索结果，提出可验证的分析假设，指导后续的深入分析。
二、探索性数据分析的主要步骤
| 步骤 | 核心内容 | 常用方法/工具 |
|---|---|---|
| 1. 数据加载与概览 | 导入数据集，查看数据基本信息 | Python：pandas 的 shape、info()、head() 描述性统计：describe() |
| 2. 数据清洗 | 处理缺失值、重复值、异常值 | 缺失值：isnull().sum()、填充/删除 异常值：箱线图（Boxplot）、Z-score、IQR 方法 |
| 3. 单变量分析 | 分析单个变量的特征与分布 | 数值型：直方图（Histogram）、核密度图（KDE）、均值/中位数/方差 分类型：条形图（Bar Plot）、饼图（Pie Chart）、频数统计 |
| 4. 双变量/多变量分析 | 分析变量间的关系 | 数值型 vs 数值型：散点图（Scatter Plot）、相关性热力图（Heatmap） 数值型 vs 分类型：箱线图、小提琴图 多变量：成对关系图（Pair Plot）、平行坐标图 |
| 5. 可视化总结 | 用图表直观呈现数据规律 | Python：matplotlib、seaborn、plotly 工具：Tableau、Power BI |
三、探索性数据分析与传统统计分析的区别
| 维度 | 探索性数据分析（EDA） | 传统统计分析 |
|---|---|---|
| 核心思想 | 以数据为中心，发现驱动 | 以假设为中心，验证驱动 |
| 分析方法 | 强调可视化、灵活探索，不拘泥于固定模型 | 强调假设检验、参数估计，依赖统计模型假设 |
| 结果用途 | 为后续建模提供方向和依据 | 验证预设假设，得出统计结论 |
| 适用阶段 | 数据分析初期 | 数据分析后期 |
四、金融量化场景中的 EDA 应用示例
在量化交易中，EDA 是策略开发的关键前置步骤，例如：
- 分析股票的日收益率分布，判断是否符合正态分布，识别极端波动的交易日；
- 探索不同行业股票的相关性热力图，筛选低相关标的用于构建投资组合；
- 查看成交量与价格涨跌幅的散点图，验证量价关系的假设；
- 检测交易数据中的异常值（如错误的成交价、停牌期间的无效数据）。
五、常用工具
- Python ：
pandas（数据处理）、seaborn/matplotlib（可视化）、scipy（统计检验） - R ：
ggplot2（可视化）、dplyr（数据操作） - 可视化工具：Tableau、Power BI、Excel（数据透视表、图表功能）
探索性数据分析之后，需要做什么？
在完成探索性数据分析（EDA）后，核心工作是将EDA的结论转化为可执行的分析或建模动作，具体流程会根据你的目标（如量化策略开发、金融数据分析、机器学习建模等）有所侧重，整体步骤如下：
一、 特征工程（核心环节）
EDA会明确数据的质量问题、变量分布和变量间关系，特征工程就是基于这些结论对数据进行加工，使其适配后续分析或模型。
| 基于EDA的发现 | 特征工程操作 | 量化场景示例 |
|---|---|---|
| 存在缺失值、异常值 | 缺失值填充（均值/中位数/业务逻辑值）、异常值修正/剔除 | 股票收益率数据中的极端值，用IQR范围截断；停牌日成交量填充为0 |
| 数值变量分布偏态 | 变量变换（对数、标准化、归一化） | 成交量数据呈长尾分布，做对数变换使其更接近正态分布 |
| 分类变量存在类别不平衡 | 类别合并、独热编码、目标编码 | 将行业分类合并为大板块；对股票市场类型（沪/深/北）做独热编码 |
| 变量间存在强相关性 | 特征筛选（剔除冗余变量）、特征组合（构造新变量） | 剔除高度相关的两个技术指标；用收盘价和开盘价构造涨跌幅新特征 |
| 时间序列特征明显 | 构造时间相关特征（移动平均、滚动波动率、滞后特征） | 基于每日收盘价，计算5日/10日/20日均线；构造前1日收益率的滞后特征 |
二、 确定分析/建模目标与方案
EDA会验证或修正你最初的假设，此时需要明确下一步的核心方向：
-
如果是描述性分析目标（如金融市场现状分析、基金持仓结构分析）
- 基于EDA的可视化和统计结论，撰写分析报告，聚焦关键发现（如"消费行业股票波动率显著低于周期行业""某基金重仓股与指数相关性达0.8"）。
- 补充业务解读，将数据结论和金融逻辑结合（如波动率差异的原因是消费行业需求刚性）。
-
如果是预测/建模目标（如量化选股模型、股价趋势预测、风险预警模型）
- 选择模型类型 ：根据EDA结论确定模型，例如：
- 若变量线性关系明显 → 选择线性回归、逻辑回归；
- 若变量关系复杂、非线性 → 选择决策树、随机森林、XGBoost等树模型；
- 若是时间序列数据（如股票价格） → 选择ARIMA、LSTM等时间序列模型。
- 划分数据集 ：将处理好的数据集分为训练集、验证集、测试集（量化场景中常用时间序列划分法，避免未来数据泄露）。
- 选择模型类型 ：根据EDA结论确定模型，例如：
三、 模型训练与调优
- 模型训练 ：用处理好的特征数据训练选定的模型，记录训练过程中的核心指标。
- 量化场景中，选股模型常用收益率、夏普比率、最大回撤 作为核心指标；分类模型（如涨跌预测）常用准确率、召回率、F1值。
- 模型调优 ：基于验证集的表现优化模型，包括：
- 参数调优：用网格搜索（Grid Search）、随机搜索（Random Search）调整模型超参数；
- 特征迭代：回到特征工程环节，根据模型反馈新增或剔除特征（如模型对某技术指标的权重极低，可考虑剔除）。
四、 模型验证与业务落地
- 模型测试 ：用测试集 验证模型的泛化能力，重点关注模型在新数据上的表现（量化场景中需做样本外测试 ，避免过拟合）。
- 例如：用2018-2022年数据训练模型，用2023-2024年数据测试，验证选股策略的有效性。
- 业务落地/策略回测
- 量化交易场景 ：将模型转化为可执行的交易策略，进行历史回测，评估策略的收益风险比；之后可进行小资金实盘验证。
- 一般数据分析场景：将模型结论嵌入业务流程（如风险评估系统、智能投顾工具），或输出最终分析报告。
五、 监控与迭代
数据和业务场景是动态变化的（如金融市场政策调整、市场风格切换），需要建立长效监控机制：
- 定期监控模型指标，若指标下降（如选股策略夏普比率降低），则重新进行EDA和特征工程，迭代模型。
- 补充新数据，更新训练集，确保模型适配最新的市场环境。