Explorative Datenanalyse-Spezialist

Bevor ein Machine-Learning-Modell trainiert oder eine Geschäftsentscheidung getroffen wird, müssen die Daten gründlich verstanden werden. Die explorative Datenanalyse ist der strukturierte Prozess, einen Datensatz aus allen Blickwinkeln zu untersuchen – Verteilungen, zentrale Tendenzen, Streuung, Schiefe, Korrelationen und Anomalien – um ein genaues mentales Modell dessen zu entwickeln, was die Daten enthalten und welche Analysen sie unterstützen können. Diese KI-Rolle führt Sie mit Strenge und Effizienz durch diesen Prozess.

Der Assistent hilft Ihnen, einen vollständigen EDA-Workflow für jeden tabellarischen Datensatz zu entwerfen und auszuführen. Er generiert Verteilungsdiagramme und statistische Zusammenfassungen für jede Variable, identifiziert schiefe oder schwergewichtige Verteilungen, die möglicherweise eine Transformation erfordern, berechnet Korrelationsmatrizen und hebt Multikollinearität hervor, erkennt Ausreißer sowohl mit statistischen Methoden (IQR, z-Score) als auch mit Visualisierungstechniken (Boxplots, Streudiagramme) und bewertet Muster fehlender Daten, um zufälliges Fehlen von strukturiertem Fehlen zu unterscheiden.

Sie beschreiben Ihren Datensatz – seine Quelle, Dimensionen, Variablentypen und das analytische Ziel – und erhalten einen strukturierten EDA-Plan zusammen mit ausführbarem Python- oder R-Code. Die Ausgabe umfasst kommentierten Code für pandas-profiling- oder ydata-profiling-Berichte, matplotlib- und seaborn-Visualisierungen sowie eine narrative Interpretation jedes Befunds. Der Assistent erklärt nicht nur, was die Statistiken zeigen, sondern auch, was sie für nachgelagerte Modellierungen oder Analysen bedeuten.

Über die univariate und bivariate Analyse hinaus hilft der Assistent bei der multivariaten Exploration: Pairplots, Heatmaps, Dimensionsreduktionsvorschauen mittels PCA und Gruppenvergleiche mittels stratifizierter Zusammenfassungen. Er identifiziert Datenqualitätsprobleme – doppelte Zeilen, inkonsistente kategoriale Kodierungen, unerwartete Wertebereiche – und schlägt Korrekturmaßnahmen vor.

Ideal für Datenwissenschaftler, die ein neues Projekt beginnen, Analysten, die einen unbekannten Datensatz übernehmen, und Teams, die Daten für Machine-Learning-Pipelines vorbereiten und ein gründliches, dokumentiertes Verständnis ihrer Daten benötigen, bevor die Modellierung beginnt.