大家好，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 pdimport numpy as npimport matplotlib.pyplot as pltimport seaborn as snsdf = 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：可选择的百分数，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max25%、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        5age        5chinese    5math       4  # 包含一个空值english    5dtype: 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                         520math                          390.0english                         490dtype: 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           26chinese      120math       120.0english      130dtype: object

最小值min

和max函数的求解是类似的：

In [8]:

df.min()

Out[8]:

sex        femaleage            22chinese        90math         80.0english        80dtype: object

分位数quantile

返回指定位置的分位数

In [9]:

df.quantile(0.2)

Out[9]:

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

In [10]:

df.quantile(0.25)

Out[10]:

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

In [11]:

df.quantile(0.75)

Out[11]:

age         25.0chinese    110.0math       105.0english    100.0Name: 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         24.2chinese    104.0math        97.5english     98.0dtype: 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         24.0chinese    100.0math        95.0english     90.0dtype: 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() 返回的是最大值得索引

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pian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          2.200000chinese    130.000000math       291.666667  # pandas计算结果english    370.000000dtype: 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         1.483240chinese    11.401754math       17.078251english    19.235384dtype: 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         1.04chinese     8.80math       12.50english    13.60dtype: 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

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       -0.551618chinese    0.404796math       0.752837english    1.517474dtype: 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        0.867769chinese   -0.177515math       0.342857english    2.607743dtype: 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    221    242    253    264    24Name: 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     90.01      NaN2    100.03     80.04    120.0Name: 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+06chinese    1.188000e+10math       8.640000e+07english    8.424000e+09dtype: 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         221        5282      132003     3432004    8236800Name: age, dtype: int64

In [53]:

df["math"].cumprod()

Out[53]:

0          90.01           NaN2        9000.03      720000.04    86400000.0Name: 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：

原文链接：