ML预测半导体良品率——样本缺失值模式分析（Python+Pandas+Matplotlib）

学习过程中的有疑问：plt.什么意思？EDA什么意思

一、plt是什么意思？

很多初学者看到：

plt.show() plt.plot() plt.savefig() plt.subplots()

都会问：

为什么都是 plt？

其实：

plt

不是 Python 关键字，也不是固定语法。

它只是一个变量名（别名，alias）。

它来自哪里？

一般在代码最前面都会有：

import matplotlib.pyplot as plt

把它拆开来看：

import

表示：

导入一个库。

matplotlib

表示：

Python 最经典的画图库。

pyplot

表示：

matplotlib 里面专门负责画图的模块（module）。

可以理解成：

matplotlib（一本书） ├── pyplot（画图） ├── animation（动画） ├── colors（颜色） ├── patches（图形） ...

最后：

as plt

表示：

给matplotlib.pyplot起一个更短的名字。

就像：

你的名字：

张三

别人平时叫：

小张

所以：

import matplotlib.pyplot as plt

实际上就是：

以后别叫 matplotlib.pyplot 这么长了， 直接叫 plt 就行。

举个例子

原本应该写：

matplotlib.pyplot.show()

太长。

于是：

import matplotlib.pyplot as plt

以后就可以写：

plt.show()

简单很多。

所以：

plt.show()

真正完整写法其实是：

matplotlib.pyplot.show()

plt.后面的点（.）是什么意思？

很多初学者都会问：

plt.show()

为什么有个：

.

这个点叫：

成员访问符（dot operator）

意思是：

调用这个对象里面的东西。

例如：

plt.show()

意思就是：

调用 pyplot 模块里的 show() 函数。

同样：

plt.savefig()

就是：

调用 pyplot 模块里的 savefig() 函数。

所以：

plt 就像一个工具箱。 show() savefig() plot() hist() 都是工具箱里的工具。

为什么叫 pyplot？

因为它最早就是模仿 MATLAB 的画图方式。

所以：

plt.plot()

非常像 MATLAB。

常见的 plt 函数

二、EDA 是什么意思？

EDA 是：

Exploratory Data Analysis

中文：

探索性数据分析

为什么叫探索？

因为：

刚拿到数据的时候，

你什么都不知道。

例如：

半导体数据：

590个传感器 1567片晶圆

你不知道：

哪些传感器坏了？ 哪些数据缺失？ 哪些特征最重要？ 数据是不是平衡？ 有没有异常值？ 是不是重复数据？

所以：

第一步不是训练模型。

而是：

探索（Explore）数据。

这就是：

EDA。

为什么要做 EDA？

举个例子。

假设老板给你：

100万条数据

你直接：

RandomForest.fit()

可能：

准确率：

99%

结果：

后来发现：

90%的数据都是空值。

模型：

根本不可信。

所以：

EDA 就像：

医生看病：

先检查 ↓ 再开药

而不是：

直接吃药。

EDA 一般做什么？

通常包括下面几项。

① 数据长什么样？

例如：

features.shape

输出：

1567 × 590

说明：

1567个样本 590个特征

② 缺失值分析

例如：

features.isna().sum()

看：

哪些传感器缺失最多？

③ 类别比例

例如：

labels.value_counts()

看：

Pass 1463 Fail 104

是不是：

类别不平衡。

④ 特征分布

例如：

hist() boxplot()

看：

数据是不是： 正态？ 偏态？

⑤ 异常值

例如：

100 101 99 100 10000

最后：

10000

就是：

异常值。

⑥ 特征之间关系

例如：

相关性：

Feature A Feature B 0.99

说明：

高度相关。

可能：

后面：

做：

PCA SelectKBest

⑦ 数据质量

例如：

重复数据：

有没有？ 空数据？ 重复样本？

EDA 的最终目的

很多人以为：

EDA：

就是：

画图。

其实：

不是。

真正目的只有一句话：

了解数据，发现问题，为后续的数据清洗、特征工程和模型训练提供依据。

在你的 SECOM 项目里

EDA 就是：

读取数据 ↓ 统计样本数量 ↓ 统计Pass/Fail比例 ↓ 统计缺失值 ↓ 画缺失值图 ↓ 画类别分布 ↓ 分析异常值 ↓ 分析相关性 ↓ 决定下一步怎么清洗数据

所以：

你现在做的：

01_data_exploration.ipynb

就是：

整个项目的：

EDA（探索性数据分析）阶段。

最后送你一个 AI 项目通用流程（以后所有 GitHub 项目几乎都遵循）

数据集 │ ▼ EDA（探索数据） │ ├── 数据规模 ├── 缺失值 ├── 类别比例 ├── 特征分布 ├── 异常值 └── 相关性 │ ▼ 数据清洗（Cleaning） │ ▼ 特征工程（Feature Engineering） │ ▼ 模型训练（Model Training） │ ▼ 模型评估（Evaluation） │ ▼ 模型解释（SHAP / LIME） │ ▼ 部署（Deployment）

你现在正处在第一步EDA。这一步看似没有训练模型，但它决定了后面所有步骤是否建立在可靠的数据基础上。在工业场景（半导体、材料、新能源）中，很多项目花在 EDA 和数据清洗上的时间往往比训练模型还要多。