📚 课程目录第4章探索性数据分析（EDA）

4、探索性数据分析（EDA）：描述性统计、可视化方法（折线图、直方图、箱线图）、相关性分析、季节性初步观察

消防数据往往体量大、维度多、噪声高，直接进入建模或规则判断容易“只见树木不见森林”。探索性数据分析（EDA）是在正式分析之前，通过统计指标、图形工具和初步关联检验，快速建立对数据整体形态、分布特征、异常点、趋势与周期性的直觉认知。本章围绕消防数据的描述性统计、三类核心可视化方法、相关性分析以及季节性初步观察展开，帮助分析人员建立一套可复用的数据体检流程。

4.1 描述性统计：数据体检的第一道关口

核心原理：描述性统计通过少量关键指标概括数据集的集中趋势、离散程度和分布形态。对于消防数据，常用的指标包括：均值（平均每日报警次数）、中位数（避免极端值干扰）、标准差（波动程度）、四分位数（数据分段）、偏度（分布对称性）和峰度（尾部厚度）。这些指标能快速暴露数据质量问题，例如缺失值、异常大值或录入错误。

操作流程：

对数值型字段（报警次数、出警时长、损失金额、过火面积）计算五数概括（最小值、Q1、中位数、Q3、最大值）。
计算均值和标准差，与中位数对比：若均值远大于中位数，说明数据右偏，存在高值极端事件。
检查缺失值比例和唯一值数量，判断字段是否可用。
按年份、月份分组计算统计量，观察稳定性。

指标	计算公式	消防数据解读	异常阈值参考
偏度	三阶中心矩/标准差³	正偏表示少数大火警拉高均值	>1 明显右偏
峰度	四阶中心矩/标准差⁴ - 3	高峰度表示极端值出现概率高于正态	>3 重尾分布
变异系数	标准差/均值	衡量不同区域报警波动性	>0.5 波动较大
IQR	Q3 - Q1	用于箱线图离群点判定	超出1.5×IQR

实战场景：某市消防支队对2023年1-6月每日报警量做描述性统计，发现均值42.3次/日，中位数38次/日，标准差15.7，偏度1.8。进一步查看原始数据，发现3月17日报警量达128次（因某工业园区连环爆燃），该值被标记为潜在异常，需结合事件日志确认是否真实。

常见误区：不要只看均值而忽略中位数和分位数。消防数据常含极端事件，均值容易被“平均”掩盖风险。例如两个区域日均报警量相同，但一个区域标准差为5，另一个为20，后者的应急资源调度难度显著更高。

4.2 可视化方法：从数字到图形的认知跃迁

核心原理：可视化将统计指标转化为空间位置、长度、颜色等视觉通道，帮助分析者快速识别模式。消防数据分析中，折线图用于时间趋势，直方图用于分布形态，箱线图用于离群点检测和组间对比。三种图形互为补充，构成EDA的“铁三角”。

方法详解：

折线图：横轴为时间（小时/日/月），纵轴为报警量或损失金额。重点观察趋势方向、周期波动、突变点。建议叠加7日移动平均线平滑噪声。
直方图：将连续变量分段计数，观察数据分布形态。消防报警量通常呈右偏分布，可尝试对数变换后观察是否接近正态。
箱线图：展示最小值、Q1、中位数、Q3、最大值，并标记离群点。适合按区域、季节、时段分组对比，快速发现异常高发组。

图形类型	适用场景	消防案例	关键观察点
折线图	时间序列趋势	近3年火灾报警月度趋势	季节性峰值、年度增长斜率
直方图	单变量分布	单次火灾损失金额分布	是否长尾、是否有双峰
箱线图	分组对比+离群点	各行政区月均报警量对比	组间中位数差异、离群点数量

实操建议：绘制折线图时，若时间跨度超过2年，建议按年份分面绘制，避免趋势线互相遮挡。直方图的组距选择可用Sturges公式（组数=1+log₂N），N为样本量。箱线图分组不宜超过7组，否则视觉混乱。

案例拆解：某省消防总队分析2019-2023年电气火灾占比变化。初始折线图显示占比从32%升至41%，但直方图显示各月占比呈双峰分布（1-2月和6-8月偏高）。箱线图进一步揭示：冬季峰值与取暖用电相关，夏季峰值与空调负荷相关。据此将全年划分为“冬季高发期”“夏季次高发期”“春秋平稳期”三个管理时段，针对性部署宣传和检查资源。

4.3 相关性分析：寻找变量间的协同变化

核心原理：相关性分析量化两个变量间线性关联的强度和方向。消防数据中常用Pearson相关系数（适用于连续、正态数据）和Spearman秩相关系数（适用于有序或非正态数据）。相关系数范围[-1,1]，值越接近1表示关联越强。

分析流程：

筛选数值型变量：报警量、温度、湿度、风速、降水量、GDP、人口密度等。
计算相关系数矩阵，生成热力图，颜色深浅表示强度。
重点关注|r|>0.5的变量对，结合业务逻辑判断因果关系。
对高相关变量做散点图验证，排除伪相关。

变量对	Pearson r	Spearman ρ	业务解读
温度 vs 森林火灾数	0.72	0.68	高温干燥易发火
湿度 vs 电气火灾数	-0.45	-0.41	干燥环境增加电气风险
报警量 vs 出警时长	0.28	0.31	弱相关，受交通影响大
GDP vs 火灾损失	0.15	0.12	无明显线性关系

重要提醒：相关性不等于因果性。例如冰淇淋销量与溺水事故高度相关，但共同原因是夏季高温。消防分析中，高温同时导致空调使用增加（电气火灾）和户外活动增加（野外用火），需通过偏相关分析或控制变量法进一步验证。

实战案例：某市消防研究所分析2018-2022年每月火灾数据，发现“月均气温”与“火灾总数”相关系数0.65。但按火灾类型拆分后，气温与森林火灾r=0.78，与建筑火灾r=0.12。这说明气温主要影响特定类型火灾，若混在一起分析会掩盖真实关系。后续建模时需按火灾类型分层。

4.4 季节性初步观察：识别周期性规律

核心原理：季节性指时间序列在固定周期内重复出现的波动模式。消防数据通常存在三种季节性：年度季节性（冬季火灾多）、月度季节性（节假日效应）、周内季节性（周末聚餐多导致厨房火灾多）。初步观察通过分组统计和可视化，判断是否存在显著周期。

操作步骤：

按月份汇总多年平均报警量，绘制月度曲线，观察峰值月份。
按星期几分组，计算平均报警量，判断周末效应。
按小时分桶，绘制24小时分布，识别昼夜差异。
使用季节指数（各月均值/全年均值）量化季节强度，指数>1.2为旺季，<0.8为淡季。

周期类型	消防数据表现	分析方法	管理启示
年度季节	冬季（12-2月）火灾占比高	月度折线图+季节指数	冬季前加强防火宣传
月度周期	春节、清明祭祀用火增加	节假日前后对比	重点时段值守
周内周期	周五、周六晚报警量上升	星期分组箱线图	周末夜间增派值班
日内周期	18-21时厨房火灾高发	24小时折线图	晚餐时段加强提示

经验提示：季节性观察需至少3年数据，避免单年异常天气干扰。若数据不足3年，可用“同比”代替“环比”来消除季节影响。例如今年2月报警量比1月高20%，但去年2月比1月高25%，说明今年增幅在正常范围内。

案例闭环：某县消防大队分析2019-2022年农村火灾数据，发现季节指数：1月1.45、2月1.38、3月1.02、11月1.15、12月1.32，其余月份均低于1.0。进一步按星期分析，发现春节前一周（腊月廿三至廿九）日均报警量是全年均值的2.1倍，主要因祭祖烧纸和烟花爆竹。大队据此在腊月启动“平安春节”专项行动，提前排查坟山周边可燃物，设置集中燃放点。2023年春节期间火灾数同比下降31%，验证了季节性规律的应用价值。

常见误区：季节性观察不能只看“平均值”，要同时关注“波动范围”。某月平均报警量高，但标准差也大，说明该月内日间差异大，可能存在偶发大型火灾拉高均值。建议同时绘制月度箱线图，观察中位数和离群点分布。

本章通过描述性统计、可视化、相关性和季节性四个维度，建立了消防数据EDA的标准流程。实际工作中，这四步并非线性执行，而是循环迭代：统计指标发现异常→可视化确认形态→相关性寻找解释变量→季节性定位周期背景。完成EDA后，分析人员应能回答：数据质量如何？哪些变量值得进入模型？是否存在明显的季节模式？哪些时间点或区域需要重点关注？这些结论将直接指导后续的趋势预测和异常检测算法选择。