EDA（探索性数据分析，Exploratory Data Analysis） 是一种数据分析方法，旨在通过统计和可视化手段快速理解数据的基本特征、发现潜在规律或异常，并为后续建模或决策提供方向。它通常在正式建模或假设检验之前进行，强调“让数据自己说话”。

EDA的核心作用：

1. 理解数据概况

   • 揭示数据的分布、结构、趋势（如统计指标：均值、方差、分位数）。
   • 识别数据类型（数值型、类别型）和样本规模。

2. 检测数据问题

   • 发现缺失值、异常值、重复数据或不一致值（如年龄为负数）。
   • 评估数据质量，决定是否需要清洗或填补。

3. 探索变量关系

   • 分析变量间的相关性（如散点图、热力图）。
   • 发现潜在模式或分组（如聚类、时间序列趋势）。

4. 验证假设与业务逻辑

   • 验证数据是否符合业务预期（如用户行为是否符合漏斗模型）。
   • 辅助提出新的假设（如特定特征是否影响用户购买）。

5. 指导后续分析

   • 确定特征工程方向（如是否需要标准化、分箱）。
   • 为模型选择提供依据（如线性关系明显时优先用线性模型）。

常用工具与技术：

• 可视化工具：直方图、箱线图、散点图、热力图（Python的Matplotlib/Seaborn、R的ggplot2）。
• 统计方法：描述性统计（均值、中位数）、相关性分析、分布检验。
• 数据处理库：Pandas（Python）、dplyr（R）用于数据摘要和预处理。

实际应用场景举例：

• 在金融风控中，EDA可分析用户收入与违约率的关联。
• 在电商场景中，通过用户行为数据的分布发现异常流量。

总结：EDA是数据分析的“侦察兵”，通过快速探索降低建模盲目性，避免因数据问题导致结论偏差，是数据科学项目中不可或缺的初步阶段。