【Python】整理20个Pandas统计函数

机器学习初学者

共 5782字,需浏览 12分钟

 ·

2022-04-18 07:34


公众号:尤而小屋
作者:Peter
编辑:Peter

最近整理了pandas中20个常用统计函数和用法,建议收藏学习~

模拟数据

为了解释每个函数的使用,模拟了一份带有空值的数据:

import pandas as pd
import numpy as np

import matplotlib.pyplot as plt
import seaborn as sns

df = pd.DataFrame({
    "sex":["male","male","female","female","male"],
    "age":[22,24,25,26,24],
    "chinese":[100,120,110,100,90],
    "math":[90,np.nan,100,80,120],  # 存在空值
    "english":[90,130,90,80,100]})

df

描述统计信息describe

descirbe方法只能针对序列或数据框,一维数组是没有这个方法的;同时默认只能针对数值型的数据进行统计:

DataFrame.describe(percentiles=None,include=None,exclude=None)
  • percentiles:可选折的百分数,列表形式;数值在0-1之间,默认是[.25,.5,.75]
  • include/exclude:包含和排除的数据类型信息

返回的信息包含:

  • 非空值的数量count;特例:math字段中有一个空值
  • 均值mean
  • 标准差std
  • 最小值min
  • 最大值max
  • 25%、50%、75%分位数
df.describe()

添加了参数后的情况,我们发现:

  • sex字段的相关信息也被显示出来
  • 显示的信息更丰富,多了unique、top、freq等等

非空值数量count

返回的是每个字段中非空值的数量

In [5]:

df.count()

Out[5]:

sex        5
age        5
chinese    5
math       4  # 包含一个空值
english    5
dtype: int64

求和sum

In [6]:

df.sum()

在这里我们发现:如果字段是object类型的,sum函数的结果就是直接将全部取值拼接起来

Out[6]:

sex        malemalefemalefemalemale # 拼接
age                             121  # 相加求和
chinese                         520
math                          390.0
english                         490
dtype: object

最大值max

In [7]:

df.max()

针对字符串的最值(最大值或者最小值),是根据字母的ASCII码大小来进行比较的:

  • 先比较首字母的大小
  • 首字母相同的话,再比较第二个字母

Out[7]:

sex         male  
age           26
chinese      120
math       120.0
english      130
dtype: object

最小值min

和max函数的求解是类似的:

In [8]:

df.min()

Out[8]:

sex        female
age            22
chinese        90
math         80.0
english        80
dtype: object

分位数quantile

返回指定位置的分位数

In [9]:

df.quantile(0.2)

Out[9]:

age        23.6
chinese    98.0
math       86.0
english    88.0
Name: 0.2, dtype: float64

In [10]:

df.quantile(0.25)

Out[10]:

age         24.0
chinese    100.0
math        87.5
english     90.0
Name: 0.25, dtype: float64

In [11]:

df.quantile(0.75)

Out[11]:

age         25.0
chinese    110.0
math       105.0
english    100.0
Name: 0.75, dtype: float64

通过箱型图可以展示一组数据的25%、50%、75%的中位数:

In [12]:

plt.figure(figsize=(12,6))#设置画布的尺寸

plt.boxplot([df["age"],df["chinese"],df["english"]],
           labels = ["age","chinese","english"],
#            vert=False, 
           showmeans=True,
           patch_artist = True, 
           boxprops = {'color':'orangered','facecolor':'pink'}
#            showgrid=True
           )

plt.show()

箱型图的具体展示信息:

均值mean

一组数据的平均值


In [13]:

df.mean()

Out[13]:

age         24.2
chinese    104.0
math        97.5
english     98.0
dtype: float64

通过下面的例子我们发现:如果字段中存在缺失值(math存在缺失值),此时样本的个数会自动忽略缺失值的总数

In [14]:

390/4  # 个数不含空值

Out[14]:

97.5

中值/中位数median

比如:1,2,3,4,5 的中位数就是3

再比如:1,2,3,4,5,6 的中位数就是 3+4 = 3.5

In [15]:

df.median()

Out[15]:

age         24.0
chinese    100.0
math        95.0
english     90.0
dtype: float64

众数mode

一组数据中出现次数最多的数

In [16]:

df.mode()

Out[16]:

最大值索引idmax

idxmax() 返回的是最大值的索引

In [17]:

df["age"].idxmax()

Out[17]:

3

In [18]:

df["chinese"].idxmin()

Out[18]:

4

不能字符类型的字段使用该函数,Pandas不支持:

In [19]:

df["sex"].idxmax()

最小值索引idxmin

返回最小值所在的索引

In [20]:

df["age"].idxmin()

Out[20]:

0

In [21]:

df["math"].idxmin()

Out[21]:

3

In [22]:

df["sex"].idxmin()

不能字符类型的字段使用该函数,Pandas不支持:

方差var

计算一组数据的方差,需要注意的是:numpy中的方差叫总体方差,pandas中的方差叫样本方差

标准差(或方差)分为 总体标准差(方差)和 样本标准差(方差)

  • 前者分母为n,右偏的;后者分母为n-1,是无偏的
  • pandas里是算无偏的;numpy里是有偏的

In [23]:

df.var()

Out[23]:

age          2.200000
chinese    130.000000
math       291.666667  # pandas计算结果
english    370.000000
dtype: float64

In [24]:

df["math"].var()

Out[24]:

291.6666666666667

In [25]:

np.var(df["math"])  # numpy计算结果

Out[25]:

218.75

In [26]:

np.var(df["age"])

Out[26]:

1.7600000000000002

In [27]:

np.var(df["english"])

Out[27]:

296.0

标准差std

返回的是一组数据的标准差

In [28]:

df.std()

Out[28]:

age         1.483240
chinese    11.401754
math       17.078251
english    19.235384
dtype: float64

In [29]:

np.std(df["math"])

Out[29]:

14.79019945774904

In [30]:

np.std(df["english"])

Out[30]:

17.204650534085253

In [31]:

np.std(df["age"])

Out[31]:

1.32664991614216

如何理解pandas和numpy两种方法对方差的求解不同:

平均绝对偏差mad

In [32]:

df.mad()

Out[32]:

age         1.04
chinese     8.80
math       12.50
english    13.60
dtype: float64

以字段age为例:

In [33]:

df["age"].mad()

Out[33]:

1.0399999999999998

In [34]:

df["age"].tolist()

Out[34]:

[22, 24, 25, 26, 24]

In [35]:

age_mean = df["age"].mean()
age_mean

Out[35]:

24.2

In [36]:

(abs(22-age_mean) + abs(24-age_mean) + abs(25-age_mean) 
 + abs(26-age_mean) + abs(24-age_mean)) / 5

Out[36]:

1.0399999999999998

偏度-skew

介绍峰度和偏度的好文章:https://www.cnblogs.com/wyy1480/p/10474046.html

偏度(skewness),是统计数据分布偏斜方向和程度的度量,是统计数据分布非对称程度的数字特征。

偏度(Skewness)亦称偏态、偏态系数,表征概率分布密度曲线相对于平均值不对称程度的特征数。

直观看来就是密度函数曲线尾部的相对长度。定义上偏度是样本的三阶标准化矩:

In [37]:

df.skew()

Out[37]:

age       -0.551618
chinese    0.404796
math       0.752837
english    1.517474
dtype: float64

In [38]:

df["age"].skew()

Out[38]:

-0.5516180692881046

峰度-kurt

返回的是峰度值

In [39]:

df.kurt()

Out[39]:

age        0.867769
chinese   -0.177515
math       0.342857
english    2.607743
dtype: float64

In [40]:

df["age"].kurt()

Out[40]:

0.8677685950413174

In [41]:

df["math"].kurt()

Out[41]:

0.3428571428571434      

绝对值abs

返回数据的绝对值:

In [45]:

df["age"].abs()

Out[45]:

0    22
1    24
2    25
3    26
4    24
Name: age, dtype: int64

如果存在缺失值,绝对值函数求解后仍是NaN:

In [46]:

df["math"].abs()

Out[46]:

0     90.0
1      NaN
2    100.0
3     80.0
4    120.0
Name: math, dtype: float64

绝对值函数是针对数值型的字段,不能对字符类型的字段求绝对值:

In [47]:

# 字符类型的数据报错
df["sex"].abs()

元素乘积prod

In [48]:

df.prod()

Out[48]:

age        8.236800e+06
chinese    1.188000e+10
math       8.640000e+07
english    8.424000e+09
dtype: float64

In [49]:

df["age"].tolist()

Out[49]:

[22, 24, 25, 26, 24]

In [50]:

22 * 24 * 25 * 26 * 24

Out[50]:

8236800

累计求和cumsum

In [51]:

df.cumsum()

累计乘积cumprod

In [52]:

df["age"].cumprod()

Out[52]:

0         22
1        528
2      13200
3     343200
4    8236800
Name: age, dtype: int64

In [53]:

df["math"].cumprod()

Out[53]:

0          90.0
1           NaN
2        9000.0
3      720000.0
4    86400000.0
Name: math, dtype: float64

In [54]:

# 字符类型字段报错
df["sex"].cumprod()

20个统计函数

最后再总结下Pandas中常用来描述统计信息的函数:

往期精彩回顾





浏览 37
点赞
评论
收藏
分享

手机扫一扫分享

分享
举报
评论
图片
表情
推荐
点赞
评论
收藏
分享

手机扫一扫分享

分享
举报