软件
产品
建模之前不做数据探索分析，等于闭着眼睛开车。2026年了，EDA（Exploratory Data Analysis）依然是数据挖掘项目里最容易被跳过、但最不该跳过的一步。它帮你看清数据的形状、边界、分布和噪声，把一个冷冰冰的数据集还原成你能读懂的故事。Rattle这个工具里的Explore标签，集成了一整套探索流程，下面逐个拆开讲。
拿到数据第一件事干什么？别急着建模型，先跑一遍Summary。
Rattle的Explore标签里，Summary选项会直接输出一张汇总表。峰度、偏度、缺失值数量、各因子水平的交叉列联表，全在里面。这步看什么？看数据有没有明显的偏态分布，缺失值集中在哪些变量上，类别变量的各个水平占比是否均衡。
举个例子。weather数据集里，MinTemp这个变量的偏度如果明显不为0，说明温度分布不对称，后续建模可能需要做对数变换或者Box-Cox变换。缺失值超过30%的变量，要么考虑删除，要么得想办法插补，别等到建模阶段才发现数据有坑。
这一步花不了2分钟，但能帮你省掉后面2天的返工。我见过太多人跳过这步直接跑模型，结果因为一个变量的分布严重右偏，整个模型的残差全是问题。
Summary看的是数字，Distributions看的是图形。
数值型变量可以画4种图：箱形图、直方图、累积分布图、Benford图。箱形图看离群点，直方图看分布形态，累积分布图看分位数，Benford图看数字首位是否符合Benford法则——这个法则说的是自然数据集中，首位数字是1的概率约30.1%，是9的概率只有4.6%，近似幂律分布。如果你的数据严重偏离这个规律，说明数据可能被人为篡改过，或者采集过程有问题。
属性变量能画3种图：条形图、点图、马赛克图。条形图看各类别占比，点图看各水平下的频数，马赛克图看多维列联表的关系。
马赛克图这个东西很多人不会用，但它特别好用。它的原理是对数线性模型，用矩形块面积表示频数，整张图看起来像马赛克拼贴。2026年了，用Rattle画马赛克图依然是最快的方式。分组变量可以在Data标签的Target Data Type里改，比如把weather数据集按RainTomorrow分组，MinTemp的分布差异一眼就能看出来——晴天和雨天的最低温度分布完全不一样，这个信息对后续特征工程直接有用。
《R in Action》那本书里用泰坦尼克号数据画过一张经典马赛克图，乘客等级、性别和存活率的关系一目了然。可视化讲数据故事，比跑10个统计检验都直观。
Distributions选项里有个隐藏功能。如果你不勾选任何图形，直接点执行，Rattle会输出一张散点图矩阵。
这张图包含所有变量，对角线是每个变量的直方图，下三角是两两变量的散点图，上三角是相关系数。变量超过15个的话可能显示不全，但前10个核心变量的关系全能看到。
这东西有什么用？快速识别多重共线性。如果两个变量的散点图呈明显线性关系，相关系数超过0.85，建模时必须二选一，不然回归系数会失真。我之前处理一个电商数据集，用户浏览时长和页面停留时间的相关系数达到0.92，两个变量同时放进模型，VIF直接飙到18，模型完全不可用。后来删掉一个，VIF降到1.3，问题解决。
把流程串一遍，实际操作就这几步：
第一步，导入数据后点击Explore标签，先点Summary，看峰度偏度和缺失值，记录异常变量。
第二步，切到Distributions，数值变量勾选箱形图和直方图，属性变量勾选条形图和马赛克图，执行出图。
第三步，不勾任何图形直接执行，拿到散点图矩阵，检查变量间的相关性。
第四步，需要换分组变量的话，去Data标签里改Target Data Type，重新执行Distributions。
整个流程跑下来，5分钟之内你对数据集的理解就超过80%的人了。
数据探索分析这件事，说白了就是建模前的"侦察"。Rattle的Explore标签把Summary、分布可视化、散点图矩阵全集成在一起，2026年了依然是最省时间的EDA工具之一。别再拿到数据就直接喂模型了，先花5分钟跑一遍探索分析，把缺失值、异常分布、变量关系全摸清楚。数据集就是一个故事，你得先读懂它，才能讲好后面的故事。
武汉格发信息技术有限公司，格发许可优化管理系统可以帮你评估贵公司软件许可的真实需求，再低成本合规性管理软件许可,帮助贵司提高软件投资回报率，为软件采购、使用提供科学决策依据。支持的软件有: CAD,CAE,PDM,PLM,Catia,Ugnx, AutoCAD, Pro/E, Solidworks 等。
技术文档
推荐好文
155-2731-8020
