有很多方法用来集体计算DataFrame的描述性统计信息和其他相关操作。 其中大多数是sum()，mean()等聚合函数。 一般来说，这些方法采用轴参数，就像ndarray.{sum，std，...}，但轴可以通过名称或整数来指定：
- 数据帧(DataFrame) - “index”(axis=0，默认)，columns(axis=1)
下面创建一个数据帧(DataFrame)，并使用此对象进行演示本章中所有操作。
import pandas as pd
d = {‘Name‘:pd.Series([‘Tom‘,‘James‘,‘Ricky‘,‘Vin‘,‘Steve‘,‘Minsu‘,‘Jack‘,
‘Lee‘,‘David‘,‘Gasper‘,‘Betina‘,‘Andres‘]),
‘Age‘:pd.Series([25,26,25,23,30,29,23,34,40,30,51,46]),
‘Rating‘:pd.Series([4.23,3.24,3.98,2.56,3.20,4.6,3.8,3.78,2.98,4.80,4.10,3.65])}
df = pd.DataFrame(d)
print(df)
输出结果：
Age Name Rating
0 25 Tom 4.23
1 26 James 3.24
2 25 Ricky 3.98
3 23 Vin 2.56
4 30 Steve 3.20
5 29 Minsu 4.60
6 23 Jack 3.80
7 34 Lee 3.78
8 40 David 2.98
9 30 Gasper 4.80
10 51 Betina 4.10
11 46 Andres 3.65
sum()
返回所请求轴的值的总和。 默认情况下，轴为列名(axis=0)。
import pandas as pd
d = {‘Name‘:pd.Series([‘Tom‘,‘James‘,‘Ricky‘,‘Vin‘,‘Steve‘,‘Minsu‘,‘Jack‘,
‘Lee‘,‘David‘,‘Gasper‘,‘Betina‘,‘Andres‘]),
‘Age‘:pd.Series([25,26,25,23,30,29,23,34,40,30,51,46]),
‘Rating‘:pd.Series([4.23,3.24,3.98,2.56,3.20,4.6,3.8,3.78,2.98,4.80,4.10,3.65])}
df = pd.DataFrame(d)
print(df.sum())
输出结果：
Age 382
Name TomJamesRickyVinSteveMinsuJackLeeDavidGasperBe...
Rating 44.92
dtype: object
示例axis=1
import pandas as pd
d = {‘Name‘:pd.Series([‘Tom‘,‘James‘,‘Ricky‘,‘Vin‘,‘Steve‘,‘Minsu‘,‘Jack‘,
‘Lee‘,‘David‘,‘Gasper‘,‘Betina‘,‘Andres‘]),
‘Age‘:pd.Series([25,26,25,23,30,29,23,34,40,30,51,46]),
‘Rating‘:pd.Series([4.23,3.24,3.98,2.56,3.20,4.6,3.8,3.78,2.98,4.80,4.10,3.65])}
df = pd.DataFrame(d)
print(df.sum(1))
输出结果：
0 29.23
1 29.24
2 28.98
3 25.56
4 33.20
5 33.60
6 26.80
7 37.78
8 42.98
9 34.80
10 55.10
11 49.65
dtype: float64
mean()
返回平均值
import pandas as pd
d = {‘Name‘:pd.Series([‘Tom‘,‘James‘,‘Ricky‘,‘Vin‘,‘Steve‘,‘Minsu‘,‘Jack‘,
‘Lee‘,‘David‘,‘Gasper‘,‘Betina‘,‘Andres‘]),
‘Age‘:pd.Series([25,26,25,23,30,29,23,34,40,30,51,46]),
‘Rating‘:pd.Series([4.23,3.24,3.98,2.56,3.20,4.6,3.8,3.78,2.98,4.80,4.10,3.65])}
df = pd.DataFrame(d)
print(df.mean())
输出结果：
Age 31.833333
Rating 3.743333
dtype: float64
std()
返回标准差。
import pandas as pd
d = {‘Name‘:pd.Series([‘Tom‘,‘James‘,‘Ricky‘,‘Vin‘,‘Steve‘,‘Minsu‘,‘Jack‘,
‘Lee‘,‘David‘,‘Gasper‘,‘Betina‘,‘Andres‘]),
‘Age‘:pd.Series([25,26,25,23,30,29,23,34,40,30,51,46]),
‘Rating‘:pd.Series([4.23,3.24,3.98,2.56,3.20,4.6,3.8,3.78,2.98,4.80,4.10,3.65])}
df = pd.DataFrame(d)
print(df.std())
输出结果：
Age 9.232682
Rating 0.661628
dtype: float64
函数和说明
下面来了解Python Pandas中描述性统计信息的函数，下表列出了重要函数
| 编号 | 函数 | 描述 |
|---|---|---|
| 1 | count() |
非空观测数量 |
| 2 | sum() |
所有值之和 |
| 3 | mean() |
所有值的平均值 |
| 4 | median() |
所有值的中位数 |
| 5 | mode() |
值的模值 |
| 6 | std() |
值的标准偏差 |
| 7 | min() |
所有值中的最小值 |
| 8 | max() |
所有值中的最大值 |
| 9 | abs() |
绝对值 |
| 10 | prod() |
数组元素的乘积 |
| 11 | cumsum() |
累计总和 |
| 12 | cumprod() |
累计乘积 |
注 - 由于DataFrame是异构数据结构。通用操作不适用于所有函数。
- 类似于：
sum()，cumsum()函数能与数字和字符(或)字符串数据元素一起工作，不会产生任何错误。字符聚合从来都比较少被使用，虽然这些函数不会引发任何异常。 - 由于这样的操作无法执行，因此，当DataFrame包含字符或字符串数据时，像
abs()，cumprod()这样的函数会抛出异常。
汇总数据
describe()函数是用来计算有关DataFrame列的统计信息的摘要。
1. 描述数字系列
import pandas as pd
d = {‘Name‘:pd.Series([‘Tom‘,‘James‘,‘Ricky‘,‘Vin‘,‘Steve‘,‘Minsu‘,‘Jack‘,
‘Lee‘,‘David‘,‘Gasper‘,‘Betina‘,‘Andres‘]),
‘Age‘:pd.Series([25,26,25,23,30,29,23,34,40,30,51,46]),
‘Rating‘:pd.Series([4.23,3.24,3.98,2.56,3.20,4.6,3.8,3.78,2.98,4.80,4.10,3.65])}
df = pd.DataFrame(d)
print(df.describe())
输出结果：
Age Rating
count 12.000000 12.000000
mean 31.833333 3.743333
std 9.232682 0.661628
min 23.000000 2.560000
25% 25.000000 3.230000
50% 29.500000 3.790000
75% 35.500000 4.132500
max 51.000000 4.800000
其结果将包括count，mean，std，min，max以及百分位数。默认情况下，百分位数分三档：25%，50%，75%，其中第50百分位数就是中位数。 count：计数，这一组数据中包含数据的个数 mean：平均值，这一组数据的平均值 std：标准差，这一组数据的标准差 min：最小值 max：最大值 百分位数：第p百分位数是这样一个值，它使得至少有p%的数据项小于或等于这个值，且至少有(100-p)%的数据项大于或等于这个值。以身高为例，身高分布的第五百分位表示有5%的人的身高小于此测量值，95%的身高大于此测量值。
2. 描述一个分类系列
import pandas as pd s = pd.Series([‘a‘, ‘a‘, ‘b‘, ‘c‘]) print(s.describe())
输出结果：
count 4
unique 3
top a
freq 2
dtype: object
其结果包括count，unique，top，和freq。时间数据还包括first和last项目。 count：同上 unique：表示有多少种不同的值 top：数据中出现次数最高的值 freq：出现次数最高的那个值（top）的出现频率
3. 描述时间戳系列
import pandas as pd
import numpy as np
s = pd.Series([np.datetime64("2000-01-01"),
np.datetime64("2010-01-01"),
np.datetime64("2010-01-01")
])
print(s.describe())
输出结果：
count 3
unique 2
top 2010-01-01 00:00:00
freq 2
first 2000-01-01 00:00:00
last 2010-01-01 00:00:00
dtype: object
使用include和exclude参数来限制DataFrame中哪些列被分析输出
object- 汇总字符串列number- 汇总数字列all- 将所有列汇总在一起(不应将其作为列表值传递)
（1）如果include =‘all‘作为选项提供，所有列，而不管数据类型如何。
import pandas as pd
d = {‘Name‘:pd.Series([‘Tom‘,‘James‘,‘Ricky‘,‘Vin‘,‘Steve‘,‘Minsu‘,‘Jack‘,‘Lee‘,‘David‘,‘Gasper‘,‘Betina‘,‘Andres‘]),
‘Age‘:pd.Series([25,26,25,23,30,29,23,34,40,30,51,46]),
‘Rating‘:pd.Series([4.23,3.24,3.98,2.56,3.20,4.6,3.8,3.78,2.98,4.80,4.10,3.65])}
df = pd.DataFrame(d)
print(df.describe(include=‘all‘))
输出结果：
Name Age Ratingcount 12 12.000000 12.000000unique 12 NaN NaNtop Steve NaN NaNfreq 1 NaN NaNmean NaN 31.833333 3.743333std NaN 9.232682 0.661628min NaN 23.000000 2.56000025% NaN 25.000000 3.23000050% NaN 29.500000 3.79000075% NaN 35.500000 4.132500max NaN 51.000000 4.800000 （2）在DataFrame描述中只包含字符串列
import pandas as pd
import numpy as np
d = {‘Name‘:pd.Series([‘Tom‘,‘James‘,‘Ricky‘,‘Vin‘,‘Steve‘,‘Minsu‘,‘Jack‘,‘Lee‘,‘David‘,‘Gasper‘,‘Betina‘,‘Andres‘]),
‘Age‘:pd.Series([25,26,25,23,30,29,23,34,40,30,51,46]),
‘Rating‘:pd.Series([4.23,3.24,3.98,2.56,3.20,4.6,3.8,3.78,2.98,4.80,4.10,3.65])}
df = pd.DataFrame(d)
print(df.describe(include=[np.object]))
（3）在DataFrame描述中仅包含数字列
import pandas as pd
import numpy as np
d = {‘Name‘:pd.Series([‘Tom‘,‘James‘,‘Ricky‘,‘Vin‘,‘Steve‘,‘Minsu‘,‘Jack‘,‘Lee‘,‘David‘,‘Gasper‘,‘Betina‘,‘Andres‘]),
‘Age‘:pd.Series([25,26,25,23,30,29,23,34,40,30,51,46]),
‘Rating‘:pd.Series([4.23,3.24,3.98,2.56,3.20,4.6,3.8,3.78,2.98,4.80,4.10,3.65])}
df = pd.DataFrame(d)
print(df.describe(include=[np.number]))
输出结果：
Age Ratingcount 12.000000 12.000000mean 31.833333 3.743333std 9.232682 0.661628min 23.000000 2.56000025% 25.000000 3.23000050% 29.500000 3.79000075% 35.500000 4.132500max 51.000000 4.800000 从DataFrame描述中排除对象列。
import pandas as pd
import numpy as np
d = {‘Name‘:pd.Series([‘Tom‘,‘James‘,‘Ricky‘,‘Vin‘,‘Steve‘,‘Minsu‘,‘Jack‘,‘Lee‘,‘David‘,‘Gasper‘,‘Betina‘,‘Andres‘]),
‘Age‘:pd.Series([25,26,25,23,30,29,23,34,40,30,51,46]),
‘Rating‘:pd.Series([4.23,3.24,3.98,2.56,3.20,4.6,3.8,3.78,2.98,4.80,4.10,3.65])}
df = pd.DataFrame(d)
print(df.describe(exclude=[np.object]))
输出结果：
Age Ratingcount 12.000000 12.000000mean 31.833333 3.743333std 9.232682 0.661628min 23.000000 2.56000025% 25.000000 3.23000050% 29.500000 3.79000075% 35.500000 4.132500max 51.000000 4.800000
import pandas as pd
d = {‘Name‘:pd.Series([‘Tom‘,‘James‘,‘Ricky‘,‘Vin‘,‘Steve‘,‘Minsu‘,‘Jack‘,
‘Lee‘,‘David‘,‘Gasper‘,‘Betina‘,‘Andres‘]),
‘Age‘:pd.Series([25,26,25,23,30,29,23,34,40,30,51,46]),
‘Rating‘:pd.Series([4.23,3.24,3.98,2.56,3.20,4.6,3.8,3.78,2.98,4.80,4.10,3.65])}
df = pd.DataFrame(d)
print(df.describe(include=[‘object‘]))
输出结果：
Name
count 12
unique 12
top Ricky
freq 1
以下3种书写方式均可
df.describe(include=[‘object‘]) df.describe(include=‘object‘) df.describe(include=np.object)
原文地址：https://www.cnblogs.com/Summer-skr--blog/p/11703988.html
时间： 2024-10-11 13:44:13