====== Explorační analýza dat (EDA) ======

**Explorační analýza dat (Exploratory Data Analysis - EDA)** je přístup k analýze datových sad s cílem shrnout jejich hlavní charakteristiky, často pomocí vizuálních metod. Místo abychom hned aplikovali složité modely, snažíme se nejprve pochopit, co nám data říkají, jakou mají strukturu a kde se nacházejí chyby.



===== 1. Hlavní cíle EDA =====

  * **Odhalení struktury:** Jaké jsou datové typy? Kolik máme záznamů a kolik rysů?
  * **Identifikace chyb:** Kde chybí data? Jsou v datech nesmyslné hodnoty (např. záporná cena)?
  * **Hledání vztahů:** Které proměnné spolu korelují? Ovlivňuje "věk" přímo "příjem"?
  * **Kontrola předpokladů:** Mají data normální rozdělení (Gaussovo)? Obsahují [[it:ml:outliers|odlehlé hodnoty]]?

===== 2. Klíčové techniky a nástroje =====

==== A. Deskriptivní statistika (Číselný pohled) ====
Základní přehled o každém sloupci v datech:
  * **Míry centrální tendence:** Průměr (mean), medián, modus.
  * **Míry variability:** Rozptyl, směrodatná odchylka, rozsah (min-max).
  * **Kvartily:** 25., 50. a 75. percentil (klíčové pro tvorbu boxplotů).

==== B. Univariační analýza (Jeden sloupec) ====
Zkoumáme rozdělení jedné proměnné.
  * **Histogram:** Ukazuje frekvenci hodnot a tvar rozdělení.
  * **Boxplot:** Pomáhá vizualizovat rozptyl a identifikovat outliery.



==== C. Bivariační a multivariační analýza (Vztahy) ====
Zkoumáme, jak se proměnné ovlivňují navzájem.
  * **Scatter plot (Bodový graf):** Ukazuje vztah mezi dvěma numerickými proměnnými.
  * **Korelační matice (Heatmap):** Barevné schéma zobrazující sílu vztahu mezi všemi sloupci. (Hodnoty od -1 do 1).
  * **Pairplot:** Matice grafů pro všechny kombinace proměnných v datasetu.



===== 3. Typický postup EDA =====

^ Krok ^ Akce ^
| **1. Náhled** | `df.head()`, `df.info()`, `df.describe()` |
| **2. Čištění** | Identifikace chybějících hodnot a duplicit. |
| **3. Vizualizace** | Vykreslení histogramů pro všechny číselné sloupce. |
| **4. Korelace** | Zjištění, které rysy (features) jsou nejdůležitější pro cíl. |
| **5. Outliers** | Kontrola extrémních hodnot, které by mohly zkreslit model. |

===== 4. Nástroje pro EDA v Pythonu =====

Kromě standardních knihoven existují i nástroje pro "automatické EDA":
  * **Pandas:** Základní manipulace.
  * **Matplotlib / Seaborn:** Vizualizace.
  * **Pandas Profiling / Sweetviz:** Knihovny, které vygenerují kompletní HTML report o datech jedním příkazem.

<code python>
import seaborn as sns
import matplotlib.pyplot as plt

# Rychlá vizualizace vztahů v datasetu "iris"
df = sns.load_dataset('iris')
sns.pairplot(df, hue='species')
plt.show()

# Korelační heatmapa
sns.heatmap(df.corr(), annot=True, cmap='coolwarm')
</code>

----
//Související články://
  * [[it:ml:data_cleaning|Základy čištění dat]]
  * [[it:ml:outliers|Detekce odlehlých hodnot]]
  * [[it:ml:standardization|Škálování dat]]

//Tagy: {{tag>ml data_science eda statistics visualization python}}//