pandas模块的统计指标--实现众数和众数的频数

本文介绍了如何利用pandas的统计方法describe()来计算数据的众数及其频数。对于数值型数据,describe()提供8种统计指标;对于非数值型数据,返回4种指标。要统计数值型数据的众数频率,需要先将其转换为类别型数据,再应用describe()函数。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

1.numpy统计函数

max() 最大值
min() 最小值
ptp() 极差
mean() 平均值
var() 方差
std() 标准差
mode() 众数        (返回一个dataframe格式的数据)
count() 非空数目
median() 中位数
cov() 协方差

2.pandas统计方法describe()  

(1)数值型数据  返回8种指标

count   mean  std  min  25%  50%  75%  max

import pandas as pd
detail=pd.read_excel('./meal_order_detail.xlsx',sep=',',encoding='gbk')
print('amount
在Python的数据分析库Pandas中,描述性统计是一种用于理解数据集基本特征的方法。它主要包括以下几种核心概念: 1. **基本统计量**:Pandas提供了一系列函数,如`count()`计算非空值的数量,`mean()`计算平均值,`median()`求中位数,`min()``max()`找出最小值最大值,`std()``var()`计算标准差方差,这些帮助我们了解数值型数据的分布情况。 2. **频率分部(Histograms)**:`value_counts()`用于查看类别变量的频数,而`hist()`或`plot.hist()`可用于创建直方图,展示数值变量的分布情况。 3. **描述性统计汇总**:`describe()`函数提供了大量的统计信息,包括计数、平均值、标准差、最小值、四分位数等,对于数值型数据非常有用。 4. **中心趋势指标**:如均值(平均数)、中位数(将数据分为两半,中间的那个值)众数(出现最频繁的值),它们用来描述数据集中点的典型位置。 5. **离散程度指标**:如极差(最大值减最小值)、IQR(四分位距,即上四分位数与下四分位数之差)标准差(衡量数据分散的程度)。 6. **数据分布形状**:通过计算偏度峰度(分别衡量数据分布的对称性尖锐度),可以判断数据是否对称、偏斜或呈现某种特定的形态。 7. **缺失值处理**:Pandas提供了`isnull()``notnull()`来检查缺失值,以及`fillna()``dropna()`来处理这些缺失值。 当你使用Pandas对数据进行描述性统计时,通常会结合可视化工具(如matplotlib或seaborn)来直观地呈现数据的特性,以便于更好地理解分析数据集。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值