做二手的网站都有哪些微博营销的特点
【Pandas驯化-03】Pandas中常用统计函数mean、count、std、info使用
本次修炼方法请往下查看
🌈 欢迎莅临我的个人主页 👈这里是我工作、学习、实践 IT领域、真诚分享 踩坑集合，智慧小天地！
🎇 相关内容文档获取 微信公众号
🎇 相关内容视频讲解 B站
🎓 博主简介：AI算法驯化师，混迹多个大厂搜索、推荐、广告、数据分析、数据挖掘岗位 个人申请专利40+，熟练掌握机器、深度学习等各类应用算法原理和项目实战经验。
🔧 技术专长： 在机器学习、搜索、广告、推荐、CV、NLP、多模态、数据分析等算法相关领域有丰富的项目实战经验。已累计为求职、科研、学习等需求提供近千次有偿|无偿定制化服务，助力多位小伙伴在学习、求职、工作上少走弯路、提高效率，近一年好评率100% 。
📝 博客风采： 积极分享关于机器学习、深度学习、数据分析、NLP、PyTorch、Python、Linux、工作、项目总结相关的实用内容。
🌵文章目录🌵
- 🎯 一、基本介绍
- 💡 二、使用方法
- 常用函数
- 创建DataFrame
- 🔍 三、进阶用法
- 🔍 四、注意事项
- 🔧 五、总结
下滑查看解决方法
🎯 一、基本介绍
Pandas中的统计函数是数据分析中不可或缺的工具，它们可以帮助我们快速计算数据集中的描述性统计数据，如均值、中位数、标准差等，可以快速的对数据进行分布分析、异常值分析、数据类型等基本数据统计分析。
💡 二、使用方法
常用函数
Pandas 提供了很多统计函数，以下是一些常用的：
- mean(): 计算均值
- median(): 计算中位数
- std(): 计算标准差
- var(): 计算方差
- sum(): 计算总和
- min(): 找到最小值
- max(): 找到最大值
- count(): 数值的个数
- info(): 总体数据分布
创建DataFrame
import pandas as pd
data = {'Name': ['Alice', 'Bob', 'Charlie', 'David', 'Eva'],'Age': [24, 27, 22, 32, 29],'Income': [50000, 54000, 35000, 62000, 58000]
}
df = pd.DataFrame(data)
# 计算年龄的均值
mean_age = df['Age'].mean()
print("Mean Age:", mean_age)# 计算收入的中位数
median_income = df['Income'].median()
print("Median Income:", median_income)# 计算年龄的标准差
std_age = df['Age'].std()
print("Standard Deviation of Age:", std_age)# 计算年龄的方差
var_age = df['Age'].var()
print("Variance of Age:", var_age)# 计算所有人的总收入
total_income = df['Income'].sum()
print("Total Income:", total_income)# 找到年龄的最大值和最小值
max_age = df['Age'].max()
min_age = df['Age'].min()
print("Max Age:", max_age, "Min Age:", min_age)
🔍 三、进阶用法
当我们想要对整体的数据进行分布的查看时，需要查看各个列是否有缺失值，以及每个列的数据格式是什么样子时，这个时候需要可以通过info函数来获取相关的结果，具体的代码如下所示：
print(df.info())<class 'pandas.core.frame.DataFrame'>RangeIndex: 5 entries, 0 to 4Data columns (total 3 columns):# Column Non-Null Count Dtype --- ------ -------------- ----- 0 Name 5 non-null object1 Age 5 non-null int64 2 Income 5 non-null int64 dtypes: int64(2), object(1)memory usage: 248.0+ bytesNone 从上面的输出结果可以看出来，每个列是否有缺失值，以及每个列中的数据格式是什么样子的。
🔍 四、注意事项
对上述的各个统计函数在使用的过程中需要注意的一些事项，不然可能会出现error，具体主要为：
- 确保在使用统计函数之前，数据是干净且适合进行统计分析的。
- 某些统计函数，如 mean() 和 median()，可能会受到异常值的影响。在这种情况下，可能需要先进行数据清洗或转换。
- 当使用 std() 和 var() 时，要注意它们计算的是样本标准差和方差还是总体标准差和方差。默认情况下，Pandas 计算的是总体标准差和方差（不使用 Bessel’s correction）。
🔧 五、总结
Pandas 的统计函数是数据分析中的强大工具，它们可以帮助我们快速获取数据的关键信息。通过上述示例，我们可以看到如何使用这些函数来分析数据集。然而，为了得到准确的分析结果，我们需要确保数据的质量，并注意函数的使用条件。希望这篇博客能帮助你更好地利用 Pandas 进行数据分析。