pandas模塊為我們提供了非常多的描述性統(tǒng)計(jì)分析的指標(biāo)函數(shù)，如總和、均值、最小值、最大值等，我們來具體看看這些函數(shù)：

1、隨機(jī)生成三組數(shù)據(jù)

import numpy as npimport pandas as pdnp.random.seed(1234)d1 = pd.Series(2*np.random.normal(size = 100)+3)d2 = np.random.f(2,4,size = 100)d3 = np.random.randint(1,100,size = 100)

2、統(tǒng)計(jì)分析用到的函數(shù)

d1.count() #非空元素計(jì)算d1.min() #最小值d1.max() #最大值d1.idxmin() #最小值的位置，類似于R中的which.min函數(shù)d1.idxmax() #最大值的位置，類似于R中的which.max函數(shù)d1.quantile(0.1) #10%分位數(shù)d1.sum() #求和d1.mean() #均值d1.median() #中位數(shù)d1.mode() #眾數(shù)d1.var() #方差d1.std() #標(biāo)準(zhǔn)差d1.mad() #平均絕對(duì)偏差d1.skew() #偏度d1.kurt() #峰度d1.describe() #一次性輸出多個(gè)描述性統(tǒng)計(jì)指標(biāo)

必須注意的是，descirbe方法只能針對(duì)序列或數(shù)據(jù)框，一維數(shù)組是沒有這個(gè)方法的自定義一個(gè)函數(shù)，將這些統(tǒng)計(jì)指標(biāo)匯總在一起：

def status(x) : return pd.Series([x.count(),x.min(),x.idxmin(),x.quantile(.25),x.median(), x.quantile(.75),x.mean(),x.max(),x.idxmax(),x.mad(),x.var(), x.std(),x.skew(),x.kurt()],index=[’總數(shù)’,’最小值’,’最小值位置’,’25%分位數(shù)’, ’中位數(shù)’,’75%分位數(shù)’,’均值’,’最大值’,’最大值位數(shù)’,’平均絕對(duì)偏差’,’方差’,’標(biāo)準(zhǔn)差’,’偏度’,’峰度’])

執(zhí)行該函數(shù)，查看一下d1數(shù)據(jù)集的這些統(tǒng)計(jì)函數(shù)值：

df = pd.DataFrame(status(d1))df

結(jié)果：

在實(shí)際的工作中，我們可能需要處理的是一系列的數(shù)值型數(shù)據(jù)框，如何將這個(gè)函數(shù)應(yīng)用到數(shù)據(jù)框中的每一列呢？可以使用apply函數(shù)，這個(gè)非常類似于R中的apply的應(yīng)用方法。 將之前創(chuàng)建的d1,d2,d3數(shù)據(jù)構(gòu)建數(shù)據(jù)框：

df = pd.DataFrame(np.array([d1,d2,d3]).T, columns=[’x1’,’x2’,’x3’])df.head()df.apply(status)

結(jié)果：

3、加載CSV數(shù)據(jù)

import numpy as npimport pandas as pdbank = pd.read_csv('D://bank/bank-additional-train.csv')bank.head() #查看前5行

描述性統(tǒng)計(jì)1：describe()

result = bank[’age’].describe()pd.DataFrame(result ) #格式化成DataFrame

描述性統(tǒng)計(jì)2：describe(include=[‘number’])

include中填寫的是數(shù)據(jù)類型，若想查看所有數(shù)據(jù)的統(tǒng)計(jì)數(shù)據(jù)，則可填寫object，即include=[’object’]；若想查看float類型的數(shù)據(jù)，則為include=[’float’]。

result = bank.describe(include=[’object’])

含義：

count：指定字段的非空總數(shù)。unique：該字段中保存的值類型數(shù)量，比如性別列保存了男、女兩種值，則unique值則為2。top：數(shù)量最多的值。freq：數(shù)量最多的值的總數(shù)。bank.describe(include=[’number’])

連續(xù)變量的相關(guān)系數(shù)（corr）

bank.corr()

協(xié)方差矩陣（cov）

bank.cov()

刪除列

bank.drop(’job’, axis=1) #刪除年齡列，axis=1必不可少

排序

bank.sort_values(by=[’job’,’age’]) #根據(jù)工作、年齡升序排序bank.sort_values(by=[’job’,’age’], ascending=False) #根據(jù)工作、年齡降序排序

多表連接

準(zhǔn)備數(shù)據(jù)：

import numpy as npimport pandas as pdstudent = {’Name’:[’Bob’,’Alice’,’Carol’,’Henry’,’Judy’,’Robert’,’William’], ’Age’:[12,16,13,11,14,15,24], ’Sex’:[’M’,’F’,’M’,’M’,’F’,’M’,’F’]}score = {’Name’:[’Bob’,’Alice’,’Carol’,’Henry’,’William’], ’Score’:[75,35,87,86,57]}df_student = pd.DataFrame(student)df_studentdf_score = pd.DataFrame(score)df_score

student：

score：

內(nèi)連接

stu_score1 = pd.merge(df_student, df_score, on=’Name’)stu_score1

注意，默認(rèn)情況下，merge函數(shù)實(shí)現(xiàn)的是兩個(gè)表之間的內(nèi)連接，即返回兩張表中共同部分的數(shù)據(jù)。可以通過how參數(shù)設(shè)置連接的方式，left為左連接；right為右連接；outer為外連接。

左連接

stu_score2 = pd.merge(df_student, df_score, on=’Name’,how=’left’)stu_score2

左連接中，沒有Score的學(xué)生Score為NaN

缺失值處理

現(xiàn)實(shí)生活中的數(shù)據(jù)是非常雜亂的，其中缺失值也是非常常見的，對(duì)于缺失值的存在可能會(huì)影響到后期的數(shù)據(jù)分析或挖掘工作，那么我們?cè)撊绾翁幚磉@些缺失值呢？常用的有三大類方法，即刪除法、填補(bǔ)法和插值法。

刪除法

當(dāng)數(shù)據(jù)中的某個(gè)變量大部分值都是缺失值，可以考慮刪除改變量；當(dāng)缺失值是隨機(jī)分布的，且缺失的數(shù)量并不是很多是，也可以刪除這些缺失的觀測(cè)。

替補(bǔ)法

對(duì)于連續(xù)型變量，如果變量的分布近似或就是正態(tài)分布的話，可以用均值替代那些缺失值；如果變量是有偏的，可以使用中位數(shù)來代替那些缺失值；對(duì)于離散型變量，我們一般用眾數(shù)去替換那些存在缺失的觀測(cè)。

插補(bǔ)法

插補(bǔ)法是基于蒙特卡洛模擬法，結(jié)合線性模型、廣義線性模型、決策樹等方法計(jì)算出來的預(yù)測(cè)值替換缺失值。

此處測(cè)試使用上面學(xué)生成績(jī)數(shù)據(jù)進(jìn)行處理

查詢某一字段數(shù)據(jù)為空的數(shù)量

sum(pd.isnull(stu_score2[’Score’]))結(jié)果：2

直接刪除缺失值

stu_score2.dropna()

刪除前：

刪除后：

默認(rèn)情況下，dropna會(huì)刪除任何含有缺失值的行

刪除所有行為缺失值的數(shù)據(jù)

import numpy as npimport pandas as pddf = pd.DataFrame([[1,2,3],[3,4,np.nan], [12,23,43],[55,np.nan,10], [np.nan,np.nan,np.nan],[np.nan,1,2]], columns=[’a1’,’a2’,’a3’])

df.dropna() #該操作會(huì)刪除所有有缺失值的行數(shù)據(jù)

df.dropna(how=’all’) #該操作僅會(huì)刪除所有列均為缺失值的行數(shù)據(jù)

填充數(shù)據(jù)

使用一個(gè)常量來填補(bǔ)缺失值，可以使用fillna函數(shù)實(shí)現(xiàn)簡(jiǎn)單的填補(bǔ)工作：

1、用0填補(bǔ)所有缺失值

df.fillna(0)

2、采用前項(xiàng)填充或后向填充

df.fillna(method=’ffill’) #用前一個(gè)值填充

df.fillna(method=’bfill’) #用后一個(gè)值填充

3、使用常量填充不同的列

df.fillna({’a1’:100,’a2’:200,’a3’:300})

4、用均值或中位數(shù)填充各自的列

a1_median = df[’a1’].median() #計(jì)算a1列的中位數(shù)a1_median=7.5a2_mean = df[’a2’].mean() #計(jì)算a2列的均值a2_mean = 7.5a3_mean = df[’a3’].mean() #計(jì)算a3列的均值a3_mean = 14.5df.fillna({’a1’:a1_median,’a2’:a2_mean,’a3’:a3_mean}) #填充值

很顯然，在使用填充法時(shí)，相對(duì)于常數(shù)填充或前項(xiàng)、后項(xiàng)填充，使用各列的眾數(shù)、均值或中位數(shù)填充要更加合理一點(diǎn)，這也是工作中常用的一個(gè)快捷手段。

數(shù)據(jù)打亂（shuffle）

實(shí)際工作中，經(jīng)常會(huì)碰到多個(gè)DataFrame合并后希望將數(shù)據(jù)進(jìn)行打亂。在pandas中有sample函數(shù)可以實(shí)現(xiàn)這個(gè)操作。

df = df.sample(frac=1)

這樣對(duì)可以對(duì)df進(jìn)行shuffle。其中參數(shù)frac是要返回的比例，比如df中有10行數(shù)據(jù)，我只想返回其中的30%,那么frac=0.3。有時(shí)候，我們可能需要打混后數(shù)據(jù)集的index（索引）還是按照正常的排序。我們只需要這樣操作

df = df.sample(frac=1).reset_index(drop=True)

以上這篇基于Python數(shù)據(jù)分析之pandas統(tǒng)計(jì)分析就是小編分享給大家的全部?jī)?nèi)容了，希望能給大家一個(gè)參考，也希望大家多多支持好吧啦網(wǎng)。