最近博主在做个 kaggle 竞赛，有个 Kernel 的数据探索分析非常值得借鉴，博主也学习了一波操作，搬运过来借鉴，原链接如下：

https://www.kaggle.com/willkoehrsen/start-here-a-gentle-introduction

    数据由Home Credit提供，该服务致力于向无银行账户的人群提供信贷（贷款）。预测客户是否偿还贷款或遇到困难是一项重要的业务需求，Home Credit将在Kaggle上举办此类竞赛，以了解机器学习社区可以开展哪些模式以帮助他们完成此任务。

 有7种不同的数据来源：

 application_train / application_test：

主要的培训和测试数据以及关于Home Credit每个贷款申请的信息。每笔贷款都有自己的行，并由功能SK_ID_CURR标识。培训申请数据附带TARGET表示0：贷款已还清或1：贷款未还清。

bureau：

有关客户之前来自其他金融机构的信贷的数据。以前的每一笔信贷都有自己的分行，但申请数据中的一笔贷款可能有多笔先前信贷。

bureau_balance：

关于主管局以前信用的月度数据。每一行都是上一个信用的一个月，并且一个先前的信用可以有多个行，每个信用额度的每个月有一个行。

previous_application：

之前在申请数据中拥有贷款的客户的Home Credit贷款申请。申请数据中的每个当前贷款都可以有多个以前的贷款。每个以前的应用程序都有一行，并由功能SK_ID_PREV标识。

POS_CASH_BALANCE：关于客户以前的销售点或现金贷款与住房贷款有关的每月数据。每一行都是前一个销售点或现金贷款的一个月，以前的一笔贷款可以有多行。

credit_card_balance：

有关之前的信用卡客户与Home Credit有关的每月数据。每行都是信用卡余额的一个月，一张信用卡可以有多行。

installments_payment：

Home Credit以前贷款的付款记录。每笔付款都有一行，每笔未付款都有一行。

下图显示了所有数据是如何相关的：

      关于这些方法的相对优点存在一些争议，并且一些模型可以处理标签编码的分类变量而没有问题。 这是一个很好的Stack Overflow讨论。 我认为（这只是一种个人观点）对于有很多类的分类变量，单热编码是最安全的方法，因为它不会对类别强加任意值。 单热编码唯一的缺点是特征的数量（数据的维数）会随着分类变量的分类而爆炸。 为了解决这个问题，我们可以执行一个热门的编码，然后是 PCA 或其他降维方法，以减少维数（同时仍试图保留信息）。

       我们将使用标签编码来处理任何仅有2个类别的分类变量，对于超过2个类别的任何分类变量使用单向编码。 

        让我们实现上面描述的策略：对于具有2个唯一类别的任何分类变量（dtype ==对象），我们将使用标签编码，对于具有多于2个唯一类别的任何分类变量，我们将使用单热编码。        对于标签编码，我们使用Scikit-Learn LabelEncoder和一个热门编码，即熊猫get_dummies（df）函数。