这是一个小组作业，占你总成绩的 35%。

截止时间：第 7 周周四（2026 年 4 月 23 日）23:55

探索性数据分析（Exploratory Data Analysis, EDA）在更广泛的数据分析生命周期中起着至关重要的作用。

它充当原始数据与可执行洞察之间的桥梁，使分析人员能够评估数据质量、检测错误，并识别为建模准备数据所需的潜在转换。

在数据整理（data wrangling）的背景下，EDA 通过揭示必须处理的不一致、重复项和缺失值，来指导清洗与重塑过程。

此外，通过 EDA 生成的洞察还能够通过突出关键指标并揭示支撑循证策略的模式，辅助数据驱动决策。

有效的 EDA 能确保后续分析建立在对数据集的扎实理解之上，并提高由此得到的任何模型或决策的可靠性与可解释性。

Assessment Objectives

在这个小组作业中，学生将完成一个探索性数据分析（EDA）项目，作为 Data Wrangling 单元的一部分。

EDA 的主要目标是在进行进一步建模或机器学习过程之前，对数据集建立全面理解。

通过这一过程，学生将识别数据中的趋势、模式、异常以及关系，这些内容可能为有意义的机器学习研究问题提供依据或启发。

你应当获得以下知识、技能与经验：

• Data Familiarisation： 深入且有条理地理解数据集的结构、内容和质量。
• Basic Data Quality Assessment： 识别可能影响分析的缺失值、重复项、无效值或不一致之处，但不需要修复它们。
• Visual Exploration： 使用可视化技术发现数据中的隐藏结构、相关性和分布。
• Research Insight Generation： 将 EDA 发现转化为可进一步使用机器学习方法探索的潜在研究问题。

为实现上述目标，建议按以下步骤进行：

Step 0: Grouping and Special Considerations