datathing 0.1.2

Модуль для автоматического анализа и визуализации табличных данных

datathing

https://pypi.org/project/datathing/

---

📊 Python-модуль для автоматического анализа, визуализации и статистических тестов над табличными данными (pandas.DataFrame).

---

Установка

pip install datathing

---

Возможности

• Поиск аномалий (3σ, IQR)
• Визуализация (гистограммы, boxplot, heatmap, pairplot)
• Корреляции
• Проверка нормальности
• Стат. тесты (T-test, U-test, χ²)
• Декомпозиция временных рядов

---

📚 Доступные функции

Модуль datathing предоставляет функции для быстрого и наглядного анализа данных в DataFrame. Ниже — список доступных функций:

Функция	Описание
get_summary_report(df, column)	Автоматический отчет по колонке: среднее, медиана, выбросы (IQR и 3σ), асимметрия
get_scan(df)	Краткая информация о структуре DataFrame
get_stats(df)	Базовая описательная статистика по числовым колонкам
get_unique_counts(df)	Количество уникальных значений в каждой колонке
get_unique_values(df, column)	Все уникальные значения в выбранной колонке
get_missing_values(df)	Подсчет пропущенных значений по колонкам
get_corr_matrix(df)	Расчет корреляций между числовыми колонками
plot_distribution(df, columns)	Визуализация распределения (гистограммы и boxplot)
plot_corr_heatmap(df)	Тепловая карта корреляций
plot_pairplot(df)	Парные графики для числовых переменных
plot_decomposition_time_series(df, column, period=7, model="additive")	Декомпозиция временного ряда (тренд, сезонность, остаток)
detect_sigma_outliers(df, column)	Поиск выбросов по правилу трех сигм (3σ)
detect_iqr_outliers(df, column)	Поиск выбросов по IQR (межквартильному размаху)
test_shapiro(df, column)	Тест Шапиро-Уилка на нормальность распределения
test_ttest(df, column, group_col)	T-тест для сравнения двух групп
test_mannwhitneyu(df, column, group_col)	U-тест Манна-Уитни — для ненормальных распределений
test_chi2(df, *columns)	Хи-квадрат тест на зависимость категориальных переменных

---

📌 Пример использования

import pandas as pd
import datathing as dfg

df = pd.DataFrame({
    "возраст": [25, 30, 22, 40, 19, 120],
    "зарплата": [50000, 60000, 45000, 80000, 30000, 200000],
    "пол": ["M", "F", "M", "F", "M", "F"]
})

dfg.get_summary_report(df, "возраст")

---

📌 Пример вывода

=== Автоматический анализ данных для 'возраст' ===

Среднее значение: 42.67
Медиана: 27.50
Стандартное отклонение: 38.59
Минимальное значение: 19
Максимальное значение: 120

Аномальные значения по правилу 3σ не обнаружены.
Выявлены аномальные значения по правилу IQR:
   возраст  зарплата пол
5      120    200000   F

Вывод: распределение имеет правостороннюю асимметрию (более высокие значения).

---