本文简要介绍了pandas常用的统计函数，并有一些将这些统计函数应用于DataFrame对象的例子。
1.Python Pandas统计函数列表
- 下面是Python潘达斯的统计函数列表。
- abs()：获取绝对值。
- corr()：计算系列或变量之间的相关系数，数值为-1到1，数值越大，相关度越强。
- count()：计算非空值的数量。
- cumprod()：计算累积乘积，轴=0，按行累积；轴=1，按列累积。
- cumsum()：计算累积和，坐标轴=0，按行计算；坐标轴=1，按列计算。
- max()：获取最大值。
- mean():获取平均值。
- median():获取中位数值。
- min():获取最小值。
- prod(): 获取所有数值的乘积。
- std():获取标准偏差值。
- sum():计算各数值的汇总。
2.在DataFrame对象上执行聚合计算操作
- 从描述性统计的角度来看，我们可以对pandas DataFrame结构进行聚合计算和其他操作，比如运行sum()和mean()方法。
- 对于DataFrame对象，在对其使用聚合类方法时，需要指定轴参数。
- 现在我们来介绍一下参数传输的两种方法。
- 对于行操作，你应该传入axis = 0或 "index" 参数。
- 对于列操作，你应该传入axis = 1或 "columns" 参数。
- Axis = 0意味着在垂直方向上计算，而axis = 1意味着在水平方向上计算。
3.数据框架对象汇总计算操作示例
3.1 示例的基本数据框架结构值
-
现在让我们创建一个DataFrame对象，用它来演示本例的内容。
-
下面是本例中将要使用的基本DataFrame对象数据。
import pandas as pd def run_statistics_function(): # create the name column data. name_series = pd.Series(['Tom', 'Jerry', 'Mike']) # create the salary column data. salary_series = pd.Series([10000, 8000, 12000]) # create the data dictionary object. account_dict = {'Name':name_series, 'Salary':salary_series} # create the DataFrame object based on the above python dictionary object. df = pd.DataFrame(account_dict) # print out the DataFrame object. print(df) # return the DataFrame object. return df if __name__ == '__main__': run_statistics_function() ======================================================================== when you run the above example source code, you will get the below DataFrame data output. Name Salary 0 Tom 10000 1 Jerry 8000 2 Mike 12000
3.2 describe()
-
该函数显示与DataFrame数据列相关的统计摘要。
import pandas as pd def run_statistics_function(): ...... # return the DataFrame object. return df if __name__ == '__main__': df = run_statistics_function() print(df.describe()) ======================================================================== Below is the above code execution result. Name Salary 0 Tom 10000 1 Jerry 8000 2 Mike 12000 Salary count 3.0 mean 10000.0 std 2000.0 min 8000.0 25% 9000.0 50% 10000.0 75% 11000.0 max 12000.0 -
通过describe()方法提供的include参数，我们可以筛选出字符列或数字列的汇总信息。
print(df.describe(include=['object'])) ========================================================== Below is the example execution output. Name count 3 unique 3 top Jerry freq 1
3.3 mean().
-
计算平均值
import pandas as pd def run_statistics_function(): # create the name column data. name_series = pd.Series(['Tom', 'Jerry', 'Mike']) ...... # print out the DataFrame object. print(df) # return the DataFrame object. return df if __name__ == '__main__': df = run_statistics_function() print('\r\n\r\n****** df.mean() ******\r\n', df.mean()) ======================================================================= Below is the above source code execution result. Name Salary 0 Tom 10000 1 Jerry 8000 2 Mike 12000 ****** df.mean() ****** Salary 10000.0 dtype: float64
3.4 std().
-
计算标准差
import pandas as pd def run_statistics_function(): # create the name column data. name_series = pd.Series(['Tom', 'Jerry', 'Mike']) ...... # print out the DataFrame object. print(df) # return the DataFrame object. return df if __name__ == '__main__': df = run_statistics_function() print('\r\n\r\n****** df.std() ******\r\n', df.std()) ========================================================================== The above example source code output. Name Salary 0 Tom 10000 1 Jerry 8000 2 Mike 12000 ****** df.std() ****** Salary 2000.0 dtype: float64
3.5 sum().
-
计算总和值
import pandas as pd def run_statistics_function(): # create the name column data. name_series = pd.Series(['Tom', 'Jerry', 'Mike']) ...... # print out the DataFrame object. print(df) # return the DataFrame object. return df if __name__ == '__main__': df = run_statistics_function() print('\r\n\r\n****** df.sum(axis=0) ******\r\n', df.sum()) print('\r\n\r\n****** df.sum(axis=1) ******\r\n', df.sum(axis=1)) =============================================================================== Below is the example output. Name Salary 0 Tom 10000 1 Jerry 8000 2 Mike 12000 ****** df.sum(axis=0) ****** Name TomJerryMike Salary 30000 dtype: object ****** df.sum(axis=1) ****** 0 10000 1 8000 2 12000 dtype: int64
