รายงานวิเคราะห์ข้อมูล ThaiEDA
สร้างโดย ThaiEDA v2.0.0 · 891 จำนวนแถว × 12 จำนวนคอลัมน์
วิธีอ่านรายงานนี้: เริ่มจากบทสรุปด้านบน แล้วดูสิ่งที่ควรทำก่อน แล้วค่อยเจาะรายละเอียดแต่ละคอลัมน์
ประเภทข้อมูลที่ตรวจพบ
ข้อมูลตารางสำหรับ ML
ข้อมูลนี้เหมาะกับการสร้างโมเดลตาราง — มี target, ฟีเจอร์หลายคอลัมน์ และมักเป็น event/impression rows
ภาษาข้อมูลที่ตรวจพบ อังกฤษ
ผลกระทบต่อการวิเคราะห์: ข้อมูลเป็นอังกฤษล้วน จึงข้าม Thai-specific checks อัตโนมัติ
ควรดูอะไรเป็นพิเศษ
- ตรวจ target leakage และ baseline (CTR/class balance) ก่อนเทรน
- ตัด ID columns และฟีเจอร์ที่สัมพันธ์กับ target สูงเกินจริง
- แยก train/validation ตามเวลาเมื่อมี datetime — อย่า shuffle มั่ว
- จัดการ missing/placeholder ก่อน feature engineering
2. สำคัญที่สุด
1
🟡 เตือน
missing_values ใน 2 คอลัมน์
Age, Cabin ขาดข้อมูล 77.1% — อาจทำให้การแบ่งกลุ่ม รายงาน หรือโมเดลเอนเอียง ควรกำหนดวิธีเติม/ตัดก่อนใช้จริง
missing_values พบใน 2 คอลัมน์: Age, Cabin
ผลกระทบ 77.1%
2
🟡 เตือน
Cabin
Cabin ขาดข้อมูล 77.1% — อาจทำให้การแบ่งกลุ่ม รายงาน หรือโมเดลเอนเอียง ควรกำหนดวิธีเติม/ตัดก่อนใช้จริง
คอลัมน์มีค่าว่าง 77.1% — ข้อมูลส่วนใหญ่หายไป
ผลกระทบ 77.1%
3
🔵 ข้อมูล
Ticket
ตรวจสอบหมวดหมู่หายาก รวมค่าที่พิมพ์ผิดหรือจัดเข้ากลุ่ม 'อื่น ๆ'
พบหมวดหมู่ 681 ค่า ที่ปรากฏน้อยกว่า 1% ของแถว — อาจเป็นการพิมพ์ผิดหรือค่าที่หายาก
ผลกระทบ 100.0%
4
🟡 เตือน
Ticket
แปลงเป็นตัวเลขแล้วตรวจค่าที่แปลงไม่ได้ (ค่าแทน เช่น 'N/A', '-')
คอลัมน์เป็นตัวเลข 74% แต่มี 230 ค่า (25.8%) ที่เป็นสตริงไม่ใช่ตัวเลข
ผลกระทบ 25.81%
5
🟡 เตือน
Ticket
Ticket มีความซ้ำ 6.7% — เสี่ยงนับยอด/จำนวนลูกค้าซ้ำ ควร deduplicate ก่อนทำ KPI
พบคู่หมวดหมู่ที่คล้ายกันเกือบเหมือน 20 คู่ (ความคล้าย > 0.8)
ผลกระทบ 6.73%
6
🟡 เตือน
Age
Age 0.3% อยู่ไกลจากช่วงปกติ — ควรแยกว่าเป็นเคสพิเศษจริงหรือข้อมูลผิดก่อนใช้ในโมเดล/สรุปผล
พบค่าผิดปกติเชิงตัวเลข 2 ค่า ด้วยวิธี คะแนนห่างจากค่าเฉลี่ย (z_score) (ความเบ้ของการกระจาย ≈ 0.39)
ผลกระทบ 0.28%
7
🟡 เตือน
SibSp
SibSp 8.3% อยู่ไกลจากช่วงปกติ — ควรแยกว่าเป็นเคสพิเศษจริงหรือข้อมูลผิดก่อนใช้ในโมเดล/สรุปผล
การตรวจจับแบบ ML (Isolation Forest) พบค่าผิดปกติ 74 ค่า (คะแนนผิดปกติสุด -0.332; ยิ่งต่ำยิ่งผิดปกติ)
ผลกระทบ 8.31%
8
🔵 ข้อมูล
Fare
Fare 18.0% อยู่ไกลจากช่วงปกติ — ควรแยกว่าเป็นเคสพิเศษจริงหรือข้อมูลผิดก่อนใช้ในโมเดล/สรุปผล
พบค่าผิดปกติเชิงตัวเลข 160 ค่า ด้วยวิธี ค่าที่หลุดจากช่วงปกติ (modified_คะแนนห่างจากค่าเฉลี่ย (z_score)) (ช่วงกลางของข้อมูล (MAD)) (ความเบ้ของการกระจาย ≈ 4.79) การกระจายแบบหางยาวมักมีค่าสุดขั้วทางธุรกิจที่ถูกต้อง จึงไม่ใช่ defect ของข้อมูลเสมอไป
ผลกระทบ 17.96%
9
🔵 ข้อมูล
Parch
Parch 10.7% อยู่ไกลจากช่วงปกติ — ควรแยกว่าเป็นเคสพิเศษจริงหรือข้อมูลผิดก่อนใช้ในโมเดล/สรุปผล
พบค่าผิดปกติเชิงตัวเลข 95 ค่า ด้วยวิธี ค่าที่หลุดจากช่วงปกติ (modified_คะแนนห่างจากค่าเฉลี่ย (z_score)) (ช่วงกลางของข้อมูล (MAD)) (ความเบ้ของการกระจาย ≈ 2.75) การกระจายแบบหางยาวมักมีค่าสุดขั้วทางธุรกิจที่ถูกต้อง จึงไม่ใช่ defect ของข้อมูลเสมอไป
ผลกระทบ 10.66%
10
🔵 ข้อมูล
พบ outlier 30 แถวในคอลัมน์ 'SibSp' (z-score ≥ 3.0)
ตรวจสอบ outlier ในคอลัมน์ 'SibSp' — อาจเป็นค่าผิดปกติจริงหรือการกรอกผิด พิจารณา clip/transform ก่อนนำไปวิเคราะห์หรือสร้างโมเดล
คอลัมน์ 'SibSp' มี 30 ค่าที่เป็น ค่าผิดปกติ (outlier) (3.4% ของข้อมูล, max คะแนนห่างจากค่าเฉลี่ย (z-score)=6.8, mean=0.5, std=1.1)
11
🔵 ข้อมูล
กลุ่ม 'S' โดดเด่นใน 'SibSp' (ตาม 'Embarked')
ตรวจสอบว่าเหตุใดกลุ่ม 'S' จึงโดดเด่น และพิจารณาใช้เป็นจุดโฟกัสในการวิเคราะห์/ตัดสินใจ
กลุ่ม 'S' มีผลรวม 'SibSp' สูงสุดที่ 368.0 — สูงกว่ากลุ่มรอง 5.7 เท่า (จัดกลุ่มตาม 'Embarked')
12
🔵 ข้อมูล
พบ outlier 15 แถวในคอลัมน์ 'Parch' (z-score ≥ 3.0)
ตรวจสอบ outlier ในคอลัมน์ 'Parch' — อาจเป็นค่าผิดปกติจริงหรือการกรอกผิด พิจารณา clip/transform ก่อนนำไปวิเคราะห์หรือสร้างโมเดล
คอลัมน์ 'Parch' มี 15 ค่าที่เป็น ค่าผิดปกติ (outlier) (1.7% ของข้อมูล, max คะแนนห่างจากค่าเฉลี่ย (z-score)=7.0, mean=0.4, std=0.8)
บทสรุปผู้บริหาร
พบจุดเตือน 7 เรื่อง — ใช้ต่อได้แต่ควรตรวจก่อนเชิงลึก
ชุดข้อมูลมี 891 แถว × 12 คอลัมน์ พบปัญหาคุณภาพ 2 ข้อ พบความผิดปกติ 9 จุดใน 6 คอลัมน์ ข้อมูลใช้งานได้ แต่ควรตรวจสอบจุดที่เตือนก่อนวิเคราะห์เชิงลึก
- โหมด Blueprint — สรุปเชิงปฏิบัติ กราฟน้อยลง
- มีข้อมูล 891 แถว × 12 คอลัมน์
- ค่าว่างดิบ 8.10% ของข้อมูลทั้งหมด
- แถวซ้ำ 0 แถว (0.00%)
- ฐานเป้าหมาย: positive 38.38% (ไม่สมดุล)
- มี 6 ฟีเจอร์ที่สัมพันธ์กับ target ชัดเจน
- พบข้อค้นพบที่ควรดู 29 เรื่อง
- มี insight เชิงธุรกิจ 8 เรื่อง
สิ่งที่ควรทำก่อน
1
🟡 เตือน
missing_values
คอลัมน์ 'Cabin': คอลัมน์มีค่าว่าง 687 ค่า (77.1%) (พบ 687 แถว, 77.1%)
แล้วไงต่อ? จัดการค่าว่างก่อนวิเคราะห์ (เติมค่า, flag, หรือลบตามความเหมาะสม)
2
🟡 เตือน
คอลัมน์มีค่าว่างสูงผิดปกติ
คอลัมน์ 'Cabin': คอลัมน์มีค่าว่าง 77.1% — ข้อมูลส่วนใหญ่หายไป (687 รายการ, 77.1%)
แล้วไงต่อ? พิจารณาตัดคอลัมน์ทิ้ง หรือตรวจสอบสาเหตุที่ข้อมูลหายไป
3
🟡 เตือน
พบการปนชนิดข้อมูล (ตัวเลข/ข้อความ)
คอลัมน์ 'Ticket': คอลัมน์เป็นตัวเลข 74% แต่มี 230 ค่า (25.8%) ที่เป็นสตริงไม่ใช่ตัวเลข (230 รายการ, 25.8%)
แล้วไงต่อ? แปลงเป็นตัวเลขแล้วตรวจค่าที่แปลงไม่ได้ (ค่าแทน เช่น 'N/A', '-')
4
🟡 เตือน
พบค่าผิดปกติจากโมเดล (Isolation Forest)
คอลัมน์ 'SibSp': Isolation Forest พบค่าผิดปกติ 74 ค่า (คะแนนผิดปกติสุด -0.332; ยิ่งต่ำยิ่งผิดปกติ) (74 รายการ, 8.3%)
แล้วไงต่อ? ค่าผิดปกติแบบ ML ใช้เสริมวิธีเชิงสถิติ — ควรตรวจสอบจุดที่ถูก flag ประกอบกัน
5
🟡 เตือน
พบหมวดหมู่ที่คล้ายกันจนน่าสงสัยว่าซ้ำ
คอลัมน์ 'Ticket': พบคู่หมวดหมู่ที่คล้ายกันเกือบเหมือน 20 คู่ (ความคล้าย > 0.8) (60 รายการ, 6.7%)
แล้วไงต่อ? ค่าเหล่านี้น่าจะหมายถึงสิ่งเดียวกัน (เช่น 'กรุงเทพ' กับ 'กรุงเทพฯ') ควรทำให้เป็นค่ามาตรฐานเดียว
แผนสร้างโมเดล
ฐานเป้าหมาย
Survived
0: 5491: 342
สงสัย target leakage
✓ ไม่พบฟีเจอร์ที่สงสัย target leakage
ฟีเจอร์ที่สัมพันธ์กับเป้าหมาย
- Sex anova คะแนน=372.40572360221387
- Pclass correlation คะแนน=-0.33848103596101514
- Fare correlation คะแนน=0.2573065198151091
- Embarked anova คะแนน=13.60527044569358
- Parch correlation คะแนน=0.08162940708348346
- Age correlation คะแนน=-0.07722109457351102
คอลัมน์ที่ควรตัดออก
PassengerId
ขั้นตอนถัดไป
- ตัดคอลัมน์ ID และฟีเจอร์ที่สงสัย leakage ออกจากชุดฟีเจอร์
- จัดการค่าว่างและ placeholder ตามที่รายงานด้านคุณภาพ
- แยกชุด train/validation (แบบตามเวลาถ้ามี datetime)
- เทียบ baseline โมเดลกับอัตรา positive/CTR ก่อนเพิ่มความซับซ้อน
ภาพรวม
จำนวนแถว
891
จำนวนคอลัมน์
12
เซลล์ทั้งหมด
10,692
เซลล์ที่ว่าง
866 (8.1%)
แถวซ้ำ
0
ประเภทคอลัมน์
ตัวเลข 6หมวดหมู่ 3ข้อความภาษาอังกฤษ 2ตัวระบุ (ID) 1
⚠ flag 687 ค่าว่างในคอลัมน์ 'Cabin' (ไม่เติมค่า — คง missing ไว้) — เตือน: missing 77% (> 40%) ควรพิจารณา drop หรือ impute ด้วย domain knowledge
⚠ ข้าม timeseries (blueprint/ml_tabular — แถว event ไม่ใช่อนุกรมเวลา)
คอลัมน์ที่ควรระวัง
🟡 เตือน
Ticket
- คอลัมน์เป็นตัวเลข 74% แต่มี 230 ค่า (25.8%) ที่เป็นสตริงไม่ใช่ตัวเลข
- พบคู่หมวดหมู่ที่คล้ายกันเกือบเหมือน 20 คู่ (ความคล้าย > 0.8)
- พบหมวดหมู่ 681 ค่า ที่ปรากฏน้อยกว่า 1% ของแถว — อาจเป็นการพิมพ์ผิดหรือค่าที่หายาก
🟡 เตือน
Cabin
- คอลัมน์มีค่าว่าง 687 ค่า (77.1%)
- คอลัมน์มีค่าว่าง 77.1% — ข้อมูลส่วนใหญ่หายไป
🟡 เตือน
Age
- คอลัมน์มีค่าว่าง 177 ค่า (19.9%)
- พบค่าผิดปกติเชิงตัวเลข 2 ค่า ด้วยวิธี z_score (ความเบ้ของการกระจาย ≈ 0.39)
🟡 เตือน
SibSp
- Isolation Forest พบค่าผิดปกติ 74 ค่า (คะแนนผิดปกติสุด -0.332; ยิ่งต่ำยิ่งผิดปกติ)
- พบค่าผิดปกติเชิงตัวเลข 46 ค่า ด้วยวิธี modified_z_score (MAD) (ความเบ้ของการกระจาย ≈ 3.70) การกระจายแบบหางยาวมักมีค่าสุดขั้วทางธุรกิจที่ถูกต้อง จึงไม่ใช่ defect ของข้อมูลเสมอไป
🔵 ข้อมูล
Fare
- พบค่าผิดปกติเชิงตัวเลข 160 ค่า ด้วยวิธี modified_z_score (MAD) (ความเบ้ของการกระจาย ≈ 4.79) การกระจายแบบหางยาวมักมีค่าสุดขั้วทางธุรกิจที่ถูกต้อง จึงไม่ใช่ defect ของข้อมูลเสมอไป
🔵 ข้อมูล
Parch
- พบค่าผิดปกติเชิงตัวเลข 95 ค่า ด้วยวิธี modified_z_score (MAD) (ความเบ้ของการกระจาย ≈ 2.75) การกระจายแบบหางยาวมักมีค่าสุดขั้วทางธุรกิจที่ถูกต้อง จึงไม่ใช่ defect ของข้อมูลเสมอไป
การกระจายและสหสัมพันธ์
แผนภาพกล่อง
กราฟนี้บอกอะไรเรา: จุดที่หลุดจากกล่องคือค่าที่ควรตรวจว่าเป็น outlier จริงหรือไม่
ข้อมูลที่ขาดหาย
เมทริกซ์ค่าที่ขาดหาย
กราฟนี้บอกอะไรเรา: แถบว่างช่วยบอกว่าค่าว่างกระจุกตัวช่วงใดหรือคอลัมน์ใด
สหสัมพันธ์การขาดหาย
กราฟนี้บอกอะไรเรา: ถ้าค่าว่างเกิดพร้อมกันหลายคอลัมน์ อาจเกิดจากขั้นตอนเก็บข้อมูลเดียวกัน
ข้อค้นพบสำคัญ 10 เตือน 19 ข้อมูล
แสดง 12 จาก 29 ข้อค้นพบสำคัญ
🟡 เตือน
คุณภาพ
missing_values
คอลัมน์ 'Cabin': คอลัมน์มีค่าว่าง 687 ค่า (77.1%) (พบ 687 แถว, 77.1%)
แล้วไงต่อ? จัดการค่าว่างก่อนวิเคราะห์ (เติมค่า, flag, หรือลบตามความเหมาะสม)
🟡 เตือน
คุณภาพ
missing_values
คอลัมน์ 'Age': คอลัมน์มีค่าว่าง 177 ค่า (19.9%) (พบ 177 แถว, 19.9%)
แล้วไงต่อ? จัดการค่าว่างก่อนวิเคราะห์ (เติมค่า, flag, หรือลบตามความเหมาะสม)
🟡 เตือน
โครงสร้าง
คอลัมน์มีค่าว่างสูงผิดปกติ
คอลัมน์ 'Cabin': คอลัมน์มีค่าว่าง 77.1% — ข้อมูลส่วนใหญ่หายไป (687 รายการ, 77.1%)
แล้วไงต่อ? พิจารณาตัดคอลัมน์ทิ้ง หรือตรวจสอบสาเหตุที่ข้อมูลหายไป
🟡 เตือน
โครงสร้าง
พบการปนชนิดข้อมูล (ตัวเลข/ข้อความ)
คอลัมน์ 'Ticket': คอลัมน์เป็นตัวเลข 74% แต่มี 230 ค่า (25.8%) ที่เป็นสตริงไม่ใช่ตัวเลข (230 รายการ, 25.8%)
แล้วไงต่อ? แปลงเป็นตัวเลขแล้วตรวจค่าที่แปลงไม่ได้ (ค่าแทน เช่น 'N/A', '-')
🟡 เตือน
ความผิดปกติ
พบค่าผิดปกติจากโมเดล (Isolation Forest)
คอลัมน์ 'SibSp': Isolation Forest พบค่าผิดปกติ 74 ค่า (คะแนนผิดปกติสุด -0.332; ยิ่งต่ำยิ่งผิดปกติ) (74 รายการ, 8.3%)
แล้วไงต่อ? ค่าผิดปกติแบบ ML ใช้เสริมวิธีเชิงสถิติ — ควรตรวจสอบจุดที่ถูก flag ประกอบกัน
🟡 เตือน
ความผิดปกติ
พบหมวดหมู่ที่คล้ายกันจนน่าสงสัยว่าซ้ำ
คอลัมน์ 'Ticket': พบคู่หมวดหมู่ที่คล้ายกันเกือบเหมือน 20 คู่ (ความคล้าย > 0.8) (60 รายการ, 6.7%)
แล้วไงต่อ? ค่าเหล่านี้น่าจะหมายถึงสิ่งเดียวกัน (เช่น 'กรุงเทพ' กับ 'กรุงเทพฯ') ควรทำให้เป็นค่ามาตรฐานเดียว
🟡 เตือน
ความผิดปกติ
พบค่าผิดปกติเชิงตัวเลข (outlier)
คอลัมน์ 'Age': พบค่าผิดปกติเชิงตัวเลข 2 ค่า ด้วยวิธี z_score (ความเบ้ของการกระจาย ≈ 0.39) (2 รายการ, 0.3%)
แล้วไงต่อ? ตรวจสอบค่าเหล่านี้ — อาจเป็นการกรอกผิด หน่วยไม่ตรงกัน ค่าสุดขั้วจริง หรือค่าสุดขั้วทางธุรกิจที่ถูกต้อง
🟡 เตือน
การกระจาย
การกระจายเบ้มาก
คอลัมน์ 'SibSp' มีการกระจายเบ้ขวา (หางยาวด้านมาก) (skew=3.70) — ค่าเฉลี่ยอาจไม่สะท้อนค่ากลางที่แท้จริง
แล้วไงต่อ? พิจารณาแปลง 'SibSp' ด้วย log/sqrt/Box-Cox ก่อนวิเคราะห์หรือสร้างโมเดล
🟡 เตือน
การกระจาย
การกระจายเบ้มาก
คอลัมน์ 'Parch' มีการกระจายเบ้ขวา (หางยาวด้านมาก) (skew=2.75) — ค่าเฉลี่ยอาจไม่สะท้อนค่ากลางที่แท้จริง
แล้วไงต่อ? พิจารณาแปลง 'Parch' ด้วย log/sqrt/Box-Cox ก่อนวิเคราะห์หรือสร้างโมเดล
🟡 เตือน
การกระจาย
การกระจายเบ้มาก
คอลัมน์ 'Fare' มีการกระจายเบ้ขวา (หางยาวด้านมาก) (skew=4.79) — ค่าเฉลี่ยอาจไม่สะท้อนค่ากลางที่แท้จริง
แล้วไงต่อ? พิจารณาแปลง 'Fare' ด้วย log/sqrt/Box-Cox ก่อนวิเคราะห์หรือสร้างโมเดล
🔵 ข้อมูล
ความผิดปกติ
พบหมวดหมู่หายาก (<1%)
คอลัมน์ 'Ticket': พบหมวดหมู่ 681 ค่า ที่ปรากฏน้อยกว่า 1% ของแถว — อาจเป็นการพิมพ์ผิดหรือค่าที่หายาก (891 รายการ, 100.0%)
แล้วไงต่อ? ตรวจสอบหมวดหมู่หายาก รวมค่าที่พิมพ์ผิดหรือจัดเข้ากลุ่ม 'อื่น ๆ'
🔵 ข้อมูล
ความผิดปกติ
พบค่าผิดปกติเชิงตัวเลข (outlier)
คอลัมน์ 'Fare': พบค่าผิดปกติเชิงตัวเลข 160 ค่า ด้วยวิธี modified_z_score (MAD) (ความเบ้ของการกระจาย ≈ 4.79) การกระจายแบบหางยาวมักมีค่าสุดขั้วทางธุรกิจที่ถูกต้อง จึงไม่ใช่ defect ของข้อมูลเสมอไป (160 รายการ, 18.0%)
แล้วไงต่อ? ตรวจสอบค่าเหล่านี้ — อาจเป็นการกรอกผิด หน่วยไม่ตรงกัน ค่าสุดขั้วจริง หรือค่าสุดขั้วทางธุรกิจที่ถูกต้อง
ข้อค้นพบจากการวิเคราะห์คอลัมน์ผสม (8)
pattern_outlier
พบ outlier 30 แถวในคอลัมน์ 'SibSp' (z-score ≥ 3.0)
จัดกลุ่มตาม:
SibSp · ตัววัด: SibSp · outlier
คอลัมน์ 'SibSp' มี 30 ค่าที่เป็น outlier (3.4% ของข้อมูล, max z-score=6.8, mean=0.5, std=1.1)
แล้วไงต่อ? ตรวจสอบ outlier ในคอลัมน์ 'SibSp' — อาจเป็นค่าผิดปกติจริงหรือการกรอกผิด พิจารณา clip/transform ก่อนนำไปวิเคราะห์หรือสร้างโมเดล
pattern_outlier
พบ outlier 15 แถวในคอลัมน์ 'Parch' (z-score ≥ 3.0)
จัดกลุ่มตาม:
Parch · ตัววัด: Parch · outlier
คอลัมน์ 'Parch' มี 15 ค่าที่เป็น outlier (1.7% ของข้อมูล, max z-score=7.0, mean=0.4, std=0.8)
แล้วไงต่อ? ตรวจสอบ outlier ในคอลัมน์ 'Parch' — อาจเป็นค่าผิดปกติจริงหรือการกรอกผิด พิจารณา clip/transform ก่อนนำไปวิเคราะห์หรือสร้างโมเดล
pattern_outlier
พบ outlier 20 แถวในคอลัมน์ 'Fare' (z-score ≥ 3.0)
จัดกลุ่มตาม:
Fare · ตัววัด: Fare · outlier
คอลัมน์ 'Fare' มี 20 ค่าที่เป็น outlier (2.2% ของข้อมูล, max z-score=9.7, mean=32.2, std=49.7)
แล้วไงต่อ? ตรวจสอบ outlier ในคอลัมน์ 'Fare' — อาจเป็นค่าผิดปกติจริงหรือการกรอกผิด พิจารณา clip/transform ก่อนนำไปวิเคราะห์หรือสร้างโมเดล
pattern_correlation
'Pclass' และ 'Fare' มีสหสัมพันธ์ Spearman (non-linear)สูง (ρ=-0.73)
จัดกลุ่มตาม:
Pclass · ตัววัด: Fare · correlation
คอลัมน์ 'Pclass' และ 'Fare' มีสหสัมพันธ์ Spearman (non-linear)เป็นลบที่ strong (ρ=-0.731, n=714) — ค่าเคลื่อนไหวไปด้วยกัน
แล้วไงต่อ? คอลัมน์ทั้งสองสัมพันธ์กันสูง — อาจวัดสิ่งเดียวกัน พิจารณาใช้คอลัมน์ใดคอลัมน์หนึ่ง หรือรวมเป็น feature เดียวเพื่อกัน multicollinearity
กลุ่มโดดเด่น
กลุ่ม 'S' โดดเด่นใน 'SibSp' (ตาม 'Embarked')
จัดกลุ่มตาม:
Embarked · ตัววัด: SibSp · sum
กลุ่ม 'S' มีผลรวม 'SibSp' สูงสุดที่ 368.0 — สูงกว่ากลุ่มรอง 5.7 เท่า (จัดกลุ่มตาม 'Embarked')
กราฟนี้บอกอะไรเรา
| กลุ่ม | ค่า |
|---|---|
| S | 368.0 |
| C | 65.0 |
| Q | 33.0 |
แล้วไงต่อ? ตรวจสอบว่าเหตุใดกลุ่ม 'S' จึงโดดเด่น และพิจารณาใช้เป็นจุดโฟกัสในการวิเคราะห์/ตัดสินใจ
เปรียบเทียบกลุ่ม
กลุ่ม 'female' ต่างจากกลุ่มอื่นอย่างมีนัยสำคัญใน 'Survived' (ตาม 'Sex')
จัดกลุ่มตาม:
Sex · ตัววัด: Survived · mean
กลุ่ม 'female' มีค่าเฉลี่ย 'Survived' 293% สูงกว่ากลุ่มอื่น (เฉลี่ย 0.7 เทียบกับ 0.2, p=0.000)
กราฟนี้บอกอะไรเรา
แล้วไงต่อ? ความแตกต่างระหว่างกลุ่มมีนัยสำคัญ — พิจารณาแยกวิเคราะห์ 'Survived' ตาม 'Sex' หรือใช้เป็นฟีเจอร์ในการสร้างโมเดล
เปรียบเทียบกลุ่ม
กลุ่ม 'C' ต่างจากกลุ่มอื่นอย่างมีนัยสำคัญใน 'Fare' (ตาม 'Embarked')
จัดกลุ่มตาม:
Embarked · ตัววัด: Fare · mean
กลุ่ม 'C' มีค่าเฉลี่ย 'Fare' 134% สูงกว่ากลุ่มอื่น (เฉลี่ย 60.0 เทียบกับ 25.6, p=0.000)
กราฟนี้บอกอะไรเรา
แล้วไงต่อ? ความแตกต่างระหว่างกลุ่มมีนัยสำคัญ — พิจารณาแยกวิเคราะห์ 'Fare' ตาม 'Embarked' หรือใช้เป็นฟีเจอร์ในการสร้างโมเดล
สัดส่วนหลัก
กลุ่ม 'S' คิดเป็นสัดส่วนใหญ่ของผลรวม 'Parch' (ตาม 'Embarked')
จัดกลุ่มตาม:
Embarked · ตัววัด: Parch · sum
กลุ่ม 'S' คิดเป็น 78.2% ของผลรวม 'Parch' ทั้งหมด (จัดกลุ่มตาม 'Embarked')
กราฟนี้บอกอะไรเรา
| กลุ่ม | ค่า |
|---|---|
| S | 266.0 |
| C | 61.0 |
| Q | 13.0 |
แล้วไงต่อ? กลุ่ม 'S' มีสัดส่วนสูงต่อภาพรวม — ติดตามเป็นพิเศษ และประเมินความเสี่ยงจากการพึ่งพากลุ่มเดียว
คุณภาพข้อมูล: ก่อน vs หลังทำความสะอาด
| วิกฤต | เตือน | ข้อมูล | คะแนนก่อน/คะแนนหลัง | |
|---|---|---|---|---|
| ก่อน | 0 | 2 | 1 | 99 (A) |
| หลัง | 0 | 2 | 0 | 99 (A) |
รายการที่แก้ไขแล้ว: whitespace:Name
แผนการทำความสะอาด
การทำความสะอาดที่แนะนำ: whitespace, buddhist_era
ข้าม (ไม่จำเป็น): encoding, zwspace, numerals, duplicates, missing
ปัญหาคุณภาพข้อมูล (2)
🟡 เตือนCabin · missing_values
คอลัมน์มีค่าว่าง 687 ค่า (77.1%)
<NA>
แล้วไงต่อ? จัดการค่าว่างก่อนวิเคราะห์ (เติมค่า, flag, หรือลบตามความเหมาะสม)
ดูเพิ่มเติม
Column has 687 missing values (77.1%). — Handle missing values before analysis (impute, flag, or drop as appropriate).
🟡 เตือนAge · missing_values
คอลัมน์มีค่าว่าง 177 ค่า (19.9%)
<NA>
แล้วไงต่อ? จัดการค่าว่างก่อนวิเคราะห์ (เติมค่า, flag, หรือลบตามความเหมาะสม)
ดูเพิ่มเติม
Column has 177 missing values (19.9%). — Handle missing values before analysis (impute, flag, or drop as appropriate).
ความผิดปกติ (9)
🟡 เตือนCabin · high_null_spike รูปแบบ
คอลัมน์มีค่าว่าง 77.1% — ข้อมูลส่วนใหญ่หายไป
แล้วไงต่อ? พิจารณาตัดคอลัมน์ทิ้ง หรือตรวจสอบสาเหตุที่ข้อมูลหายไป
ดูเพิ่มเติม
Column is 77.1% null — most values are missing. — Consider dropping the column or investigating why data is missing.
🟡 เตือนTicket · type_mixing รูปแบบ
คอลัมน์เป็นตัวเลข 74% แต่มี 230 ค่า (25.8%) ที่เป็นสตริงไม่ใช่ตัวเลข
A/5 21171PC 17599STON/O2. 3101282PP 9549A/5. 2151
แล้วไงต่อ? แปลงเป็นตัวเลขแล้วตรวจค่าที่แปลงไม่ได้ (ค่าแทน เช่น 'N/A', '-')
ดูเพิ่มเติม
Column is 74% numeric but 230 value(s) (25.8%) are non-numeric strings. — Coerce to numeric and inspect non-parseable values (placeholders like 'N/A', '-').
🟡 เตือนSibSp · isolation_forest เชิงสถิติ
Isolation Forest พบค่าผิดปกติ 74 ค่า (คะแนนผิดปกติสุด -0.332; ยิ่งต่ำยิ่งผิดปกติ)
8 (score=-0.332)8 (score=-0.332)8 (score=-0.332)8 (score=-0.332)8 (score=-0.332)
แล้วไงต่อ? ค่าผิดปกติแบบ ML ใช้เสริมวิธีเชิงสถิติ — ควรตรวจสอบจุดที่ถูก flag ประกอบกัน
ดูเพิ่มเติม
Isolation Forest flagged 74 outlier(s) (most anomalous score -0.332; lower = more anomalous). — ML-based outliers complement statistical methods; cross-check flagged points.
🟡 เตือนTicket · fuzzy_duplicates หมวดหมู่
พบคู่หมวดหมู่ที่คล้ายกันเกือบเหมือน 20 คู่ (ความคล้าย > 0.8)
347082.0 ↔ 347088.0347082.0 ↔ 347080.0347082.0 ↔ 347081.0347082.0 ↔ 347068.0347082.0 ↔ 347083.0
แล้วไงต่อ? ค่าเหล่านี้น่าจะหมายถึงสิ่งเดียวกัน (เช่น 'กรุงเทพ' กับ 'กรุงเทพฯ') ควรทำให้เป็นค่ามาตรฐานเดียว
ดูเพิ่มเติม
20 near-duplicate category pair(s) detected (similarity > 0.8). — These likely refer to the same value (e.g. 'กรุงเทพ' vs 'กรุงเทพฯ'); standardize them.
🟡 เตือนAge · numeric_outliers เชิงสถิติ
พบค่าผิดปกติเชิงตัวเลข 2 ค่า ด้วยวิธี z_score (ความเบ้ของการกระจาย ≈ 0.39)
8074
แล้วไงต่อ? ตรวจสอบค่าเหล่านี้ — อาจเป็นการกรอกผิด หน่วยไม่ตรงกัน ค่าสุดขั้วจริง หรือค่าสุดขั้วทางธุรกิจที่ถูกต้อง
ดูเพิ่มเติม
2 numeric outlier(s) detected using the z_score method (distribution skew ≈ 0.39). — Inspect these values; they may be data-entry errors, units mismatch, genuine extremes, or valid business extremes.
🔵 ข้อมูลTicket · rare_categories หมวดหมู่
พบหมวดหมู่ 681 ค่า ที่ปรากฏน้อยกว่า 1% ของแถว — อาจเป็นการพิมพ์ผิดหรือค่าที่หายาก
312993.0 (×1)237442.0 (×1)113794.0 (×1)350404.0 (×1)7545.0 (×1)
แล้วไงต่อ? ตรวจสอบหมวดหมู่หายาก รวมค่าที่พิมพ์ผิดหรือจัดเข้ากลุ่ม 'อื่น ๆ'
ดูเพิ่มเติม
681 category value(s) occur in <1% of rows — possible typos or rare cases. — Review rare categories; consolidate typos or group into an 'other' bucket.
🔵 ข้อมูลFare · numeric_outliers เชิงสถิติ
พบค่าผิดปกติเชิงตัวเลข 160 ค่า ด้วยวิธี modified_z_score (MAD) (ความเบ้ของการกระจาย ≈ 4.79) การกระจายแบบหางยาวมักมีค่าสุดขั้วทางธุรกิจที่ถูกต้อง จึงไม่ใช่ defect ของข้อมูลเสมอไป
71.283353.151.8625263146.5208
แล้วไงต่อ? ตรวจสอบค่าเหล่านี้ — อาจเป็นการกรอกผิด หน่วยไม่ตรงกัน ค่าสุดขั้วจริง หรือค่าสุดขั้วทางธุรกิจที่ถูกต้อง
ดูเพิ่มเติม
160 numeric outlier(s) detected using the modified_z_score (MAD) method (distribution skew ≈ 4.79). Heavy-tailed distributions often contain valid business extremes; treat this as context, not automatically as a data defect. — Inspect these values; they may be data-entry errors, units mismatch, genuine extremes, or valid business extremes.
🔵 ข้อมูลParch · numeric_outliers เชิงสถิติ
พบค่าผิดปกติเชิงตัวเลข 95 ค่า ด้วยวิธี modified_z_score (MAD) (ความเบ้ของการกระจาย ≈ 2.75) การกระจายแบบหางยาวมักมีค่าสุดขั้วทางธุรกิจที่ถูกต้อง จึงไม่ใช่ defect ของข้อมูลเสมอไป
25522
แล้วไงต่อ? ตรวจสอบค่าเหล่านี้ — อาจเป็นการกรอกผิด หน่วยไม่ตรงกัน ค่าสุดขั้วจริง หรือค่าสุดขั้วทางธุรกิจที่ถูกต้อง
ดูเพิ่มเติม
95 numeric outlier(s) detected using the modified_z_score (MAD) method (distribution skew ≈ 2.75). Heavy-tailed distributions often contain valid business extremes; treat this as context, not automatically as a data defect. — Inspect these values; they may be data-entry errors, units mismatch, genuine extremes, or valid business extremes.
🔵 ข้อมูลSibSp · numeric_outliers เชิงสถิติ
พบค่าผิดปกติเชิงตัวเลข 46 ค่า ด้วยวิธี modified_z_score (MAD) (ความเบ้ของการกระจาย ≈ 3.70) การกระจายแบบหางยาวมักมีค่าสุดขั้วทางธุรกิจที่ถูกต้อง จึงไม่ใช่ defect ของข้อมูลเสมอไป
34334
แล้วไงต่อ? ตรวจสอบค่าเหล่านี้ — อาจเป็นการกรอกผิด หน่วยไม่ตรงกัน ค่าสุดขั้วจริง หรือค่าสุดขั้วทางธุรกิจที่ถูกต้อง
ดูเพิ่มเติม
46 numeric outlier(s) detected using the modified_z_score (MAD) method (distribution skew ≈ 3.70). Heavy-tailed distributions often contain valid business extremes; treat this as context, not automatically as a data defect. — Inspect these values; they may be data-entry errors, units mismatch, genuine extremes, or valid business extremes.
การวิเคราะห์ตัวแปรเป้าหมาย (คอลัมน์เป้าหมาย: Survived)
| คอลัมน์ | ความสัมพันธ์ | คะแนน | ค่า p | แล้วไงต่อ? |
|---|---|---|---|---|
| Sex | ANOVA (F-test) | 372.4057 | 0.0 | ANOVA F ของ 'Sex' เทียบกับ 'Survived' = 372.406 — มีนัยสำคัญทางสถิติ (p=0.0000 < 0.05) |
| Pclass | สหสัมพันธ์ (Pearson) | -0.3385 | 0.0 | สหสัมพันธ์ Pearson ระหว่าง 'Pclass' กับ 'Survived' = -0.338 — มีนัยสำคัญทางสถิติ (p=0.0000 < 0.05) |
| Fare | สหสัมพันธ์ (Pearson) | 0.2573 | 0.0 | สหสัมพันธ์ Pearson ระหว่าง 'Fare' กับ 'Survived' = 0.257 — มีนัยสำคัญทางสถิติ (p=0.0000 < 0.05) |
| Embarked | ANOVA (F-test) | 13.6053 | 0.0 | ANOVA F ของ 'Embarked' เทียบกับ 'Survived' = 13.605 — มีนัยสำคัญทางสถิติ (p=0.0000 < 0.05) |
| Parch | สหสัมพันธ์ (Pearson) | 0.0816 | 0.0148 | สหสัมพันธ์ Pearson ระหว่าง 'Parch' กับ 'Survived' = 0.082 — มีนัยสำคัญทางสถิติ (p=0.0148 < 0.05) |
| Age | สหสัมพันธ์ (Pearson) | -0.0772 | 0.0391 | สหสัมพันธ์ Pearson ระหว่าง 'Age' กับ 'Survived' = -0.077 — มีนัยสำคัญทางสถิติ (p=0.0391 < 0.05) |
| SibSp | สหสัมพันธ์ (Pearson) | -0.0353 | 0.2922 | สหสัมพันธ์ Pearson ระหว่าง 'SibSp' กับ 'Survived' = -0.035 — ไม่มีนัยสำคัญทางสถิติ (p=0.2922 ≥ 0.05) |
การทำความสะอาด (6)
รวมเซลล์ที่เปลี่ยน: 1,539 · การดำเนินการที่มีผลมากสุด: handle_missing_values (flag 687 ค่าว่างในคอลัมน์ 'Cabin' (ไม่เติมค่า — คง missing ไว้) — เตือน: missing 77% (> 40%) ควรพิจารณา drop หรือ impute ด้วย domain knowledge — 687)
| คอลัมน์ | การดำเนินการ | แถวที่ได้รับผลกระทบ | ก่อน → หลัง |
|---|---|---|---|
| Name | strip_whitespace ตัด/ยุบช่องว่าง และแปลง non-breaking space เป็นช่องว่างปกติ | 2 | 'Hewlett, Mrs. (Mary D Kingcome) '→'Hewlett, Mrs. (Mary D Kingcome)''Daly, Mr. Peter Denis '→'Daly, Mr. Peter Denis' |
| Ticket | coerce_numeric แปลงคอลัมน์เป็นตัวเลข (661 ค่า) + แทนที่ placeholder 0 ค่าด้วย NaN | 661 | |
| Age | handle_missing_values flag 177 ค่าว่างในคอลัมน์ 'Age' (ไม่เติมค่า — คง missing ไว้) | 177 | |
| Cabin | handle_missing_values flag 687 ค่าว่างในคอลัมน์ 'Cabin' (ไม่เติมค่า — คง missing ไว้) — เตือน: missing 77% (> 40%) ควรพิจารณา drop หรือ impute ด้วย domain knowledge | 687 | |
| Embarked | handle_missing_values flag 2 ค่าว่างในคอลัมน์ 'Embarked' (ไม่เติมค่า — คง missing ไว้) | 2 | |
| (entire df) | downcast_dtypes ลด memory 0.145→0.086 MB (-41.0%), ปรับ 10 คอลัมน์ | 10 |
คำแนะนำการทำความสะอาด (0)
✓ ไม่มีคำแนะนำการทำความสะอาด
รายละเอียดคอลัมน์
ส่วนนี้ซ่อนไว้เป็นรายคอลัมน์เพื่อลดความรก เปิดเฉพาะคอลัมน์ที่ต้องการตรวจละเอียด
PassengerIdตัวระบุ (ID)มีกราฟ
| ไม่ว่าง | 891 |
|---|---|
| เซลล์ที่ว่าง | 0 |
| ไม่ซ้ำ | 891 |
การแจกแจง
ความถี่ของค่า
ค่าที่พบบ่อย
| 1 | 1 |
| 2 | 1 |
| 3 | 1 |
| 4 | 1 |
| 5 | 1 |
| 6 | 1 |
| 7 | 1 |
| 8 | 1 |
| 9 | 1 |
| 10 | 1 |
Survivedตัวเลขมีกราฟ
| ไม่ว่าง | 891 |
|---|---|
| เซลล์ที่ว่าง | 0 |
| ไม่ซ้ำ | 2 |
| ค่าเฉลี่ย | 0.3838 |
| ส่วนเบี่ยงเบนมาตรฐาน | 0.4866 |
| ต่ำสุด | 0.0 |
| สูงสุด | 1.0 |
การแจกแจง
Pclassตัวเลขมีกราฟ
| ไม่ว่าง | 891 |
|---|---|
| เซลล์ที่ว่าง | 0 |
| ไม่ซ้ำ | 3 |
| ค่าเฉลี่ย | 2.3086 |
| ส่วนเบี่ยงเบนมาตรฐาน | 0.8361 |
| ต่ำสุด | 1.0 |
| สูงสุด | 3.0 |
การแจกแจง
Nameข้อความภาษาอังกฤษ
| ไม่ว่าง | 891 |
|---|---|
| เซลล์ที่ว่าง | 0 |
| ไม่ซ้ำ | 891 |
Sexหมวดหมู่มีกราฟ
| ไม่ว่าง | 891 |
|---|---|
| เซลล์ที่ว่าง | 0 |
| ไม่ซ้ำ | 2 |
ความถี่ของค่า
ค่าที่พบบ่อย
| male | 577 |
| female | 314 |
Ageตัวเลขมีกราฟ
| ไม่ว่าง | 714 |
|---|---|
| เซลล์ที่ว่าง | 177 |
| ไม่ซ้ำ | 88 |
| ค่าเฉลี่ย | 29.6991 |
| ส่วนเบี่ยงเบนมาตรฐาน | 14.5265 |
| ต่ำสุด | 0.41999998688697815 |
| สูงสุด | 80.0 |
การแจกแจง
SibSpตัวเลขมีกราฟ
| ไม่ว่าง | 891 |
|---|---|
| เซลล์ที่ว่าง | 0 |
| ไม่ซ้ำ | 7 |
| ค่าเฉลี่ย | 0.523 |
| ส่วนเบี่ยงเบนมาตรฐาน | 1.1027 |
| ต่ำสุด | 0.0 |
| สูงสุด | 8.0 |
การแจกแจง
Parchตัวเลขมีกราฟ
| ไม่ว่าง | 891 |
|---|---|
| เซลล์ที่ว่าง | 0 |
| ไม่ซ้ำ | 7 |
| ค่าเฉลี่ย | 0.3816 |
| ส่วนเบี่ยงเบนมาตรฐาน | 0.8061 |
| ต่ำสุด | 0.0 |
| สูงสุด | 6.0 |
การแจกแจง
Ticketหมวดหมู่มีกราฟ
| ไม่ว่าง | 891 |
|---|---|
| เซลล์ที่ว่าง | 0 |
| ไม่ซ้ำ | 681 |
ความถี่ของค่า
ค่าที่พบบ่อย
| 347082.0 | 7 |
| 1601.0 | 7 |
| CA. 2343 | 7 |
| 3101295.0 | 6 |
| CA 2144 | 6 |
| 347088.0 | 6 |
| 382652.0 | 5 |
| S.O.C. 14879 | 5 |
| 349909.0 | 4 |
| 347077.0 | 4 |
Fareตัวเลขมีกราฟ
| ไม่ว่าง | 891 |
|---|---|
| เซลล์ที่ว่าง | 0 |
| ไม่ซ้ำ | 248 |
| ค่าเฉลี่ย | 32.2042 |
| ส่วนเบี่ยงเบนมาตรฐาน | 49.6934 |
| ต่ำสุด | 0.0 |
| สูงสุด | 512.3292236328125 |
การแจกแจง
Cabinข้อความภาษาอังกฤษ
| ไม่ว่าง | 204 |
|---|---|
| เซลล์ที่ว่าง | 687 |
| ไม่ซ้ำ | 147 |
Embarkedหมวดหมู่มีกราฟ
| ไม่ว่าง | 889 |
|---|---|
| เซลล์ที่ว่าง | 2 |
| ไม่ซ้ำ | 3 |
ความถี่ของค่า
ค่าที่พบบ่อย
| S | 644 |
| C | 168 |
| Q | 77 |