pandas分组统计函数（整理20个Pandas统计函数）

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 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 2.200000 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

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：

原文链接：https://mp.weixin.qq.com/s/QVAPbiAKzD0OS0V2VQN2BA

,