mysql描述性统计函数_Pandas描述性统计
有很多方法用来集体计算DataFrame的描述性统计信息和其他相关操作。 其中大多数是sum(),mean()等聚合函数,但其中一些,如sumsum(),产生一个相同大小的对象。 一般来说,这些方法采用轴参数,就像ndarray.{sum,std,...},但轴可以通过名称或整数来指定:
数据帧(DataFrame) - “index”(axis=0,默认),columns(axis=1)
下面创建一个数据帧(DataFrame),并使用此对象进行演示本章中所有操作。
示例
import pandas as pd
import numpy as np
#Create a Dictionary of series
d = {'Name':pd.Series(['Tom','James','Ricky','Vin','Steve','Minsu','Jack',
'Lee','David','Gasper','Betina','Andres']),
'Age':pd.Series([25,26,25,23,30,29,23,34,40,30,51,46]),
'Rating':pd.Series([4.23,3.24,3.98,2.56,3.20,4.6,3.8,3.78,2.98,4.80,4.10,3.65])}
#Create a DataFrame
df = pd.DataFrame(d)
print df
执行上面示例代码,得到以下结果 -
Age Name Rating
0 25 Tom 4.23
1 26 James 3.24
2 25 Ricky 3.98
3 23 Vin 2.56
4 30 Steve 3.20
5 29 Minsu 4.60
6 23 Jack 3.80
7 34 Lee 3.78
8 40 David 2.98
9 30 Gasper 4.80
10 51 Betina 4.10
11 46 Andres 3.65
sum()方法
返回所请求轴的值的总和。 默认情况下,轴为索引(axis=0)。
import pandas as pd
import numpy as np
#Create a Dictionary of series
d = {'Name':pd.Series(['Tom','James','Ricky','Vin','Steve','Minsu','Jack',
'Lee','David','Gasper','Betina','Andres']),
'Age':pd.Series([25,26,25,23,30,29,23,34,40,30,51,46]),
'Rating':pd.Series([4.23,3.24,3.98,2.56,3.20,4.6,3.8,3.78,2.98,4.80,4.10,3.65])}
#Create a DataFrame
df = pd.DataFrame(d)
print df.sum()
执行上面示例代码,得到以下结果 -
Age 382
Name TomJamesRickyVinSteveMinsuJackLeeDavidGasperBe...
Rating 44.92
dtype: object
每个单独的列单独添加(附加字符串)。
axis=1示例
此语法将给出如下所示的输出,参考以下示例代码 -
import pandas as pd
import numpy as np
#Create a Dictionary of series
d = {'Name':pd.Series(['Tom','James','Ricky','Vin','Steve','Minsu','Jack',
'Lee','David','Gasper','Betina','Andres']),
'Age':pd.Series([25,26,25,23,30,29,23,34,40,30,51,46]),
'Rating':pd.Series([4.23,3.24,3.98,2.56,3.20,4.6,3.8,3.78,2.98,4.80,4.10,3.65])}
#Create a DataFrame
df = pd.DataFrame(d)
print df.sum(1)
执行上面示例代码,得到以下结果 -
0 29.23
1 29.24
2 28.98
3 25.56
4 33.20
5 33.60
6 26.80
7 37.78
8 42.98
9 34.80
10 55.10
11 49.65
dtype: float64
mean()示例
返回平均值,参考以下示例代码 -
import pandas as pd
import numpy as np
#Create a Dictionary of series
d = {'Name':pd.Series(['Tom','James','Ricky','Vin','Steve','Minsu','Jack',
'Lee','David','Gasper','Betina','Andres']),
'Age':pd.Series([25,26,25,23,30,29,23,34,40,30,51,46]),
'Rating':pd.Series([4.23,3.24,3.98,2.56,3.20,4.6,3.8,3.78,2.98,4.80,4.10,3.65])}
#Create a DataFrame
df = pd.DataFrame(d)
print df.mean()
执行上面示例代码,得到以下结果 -
Age 31.833333
Rating 3.743333
dtype: float64
std()示例
返回数字列的Bressel标准偏差。
import pandas as pd
import numpy as np
#Create a Dictionary of series
d = {'Name':pd.Series(['Tom','James','Ricky','Vin','Steve','Minsu','Jack',
'Lee','David','Gasper','Betina','Andres']),
'Age':pd.Series([25,26,25,23,30,29,23,34,40,30,51,46]),
'Rating':pd.Series([4.23,3.24,3.98,2.56,3.20,4.6,3.8,3.78,2.98,4.80,4.10,3.65])}
#Create a DataFrame
df = pd.DataFrame(d)
print df.std()
执行上面示例代码,得到以下结果 -
Age 9.232682
Rating 0.661628
dtype: float64
函数和说明
下面来了解Python Pandas中描述性统计信息的函数,下表列出了重要函数 -
编号
函数
描述
1
count()
非空观测数量
2
sum()
所有值之和
3
mean()
所有值的平均值
4
median()
所有值的中位数
5
mode()
值的模值
6
std()
值的标准偏差
7
min()
所有值中的最小值
8
max()
所有值中的最大值
9
abs()
绝对值
10
prod()
数组元素的乘积
11
cumsum()
累计总和
12
cumprod()
累计乘积
注 - 由于DataFrame是异构数据结构。通用操作不适用于所有函数。
类似于:sum(),cumsum()函数能与数字和字符(或)字符串数据元素一起工作,不会产生任何错误。字符聚合从来都比较少被使用,虽然这些函数不会引发任何异常。
由于这样的操作无法执行,因此,当DataFrame包含字符或字符串数据时,像abs(),cumprod()这样的函数会抛出异常。
汇总数据
describe()函数是用来计算有关DataFrame列的统计信息的摘要。
import pandas as pd
import numpy as np
#Create a Dictionary of series
d = {'Name':pd.Series(['Tom','James','Ricky','Vin','Steve','Minsu','Jack',
'Lee','David','Gasper','Betina','Andres']),
'Age':pd.Series([25,26,25,23,30,29,23,34,40,30,51,46]),
'Rating':pd.Series([4.23,3.24,3.98,2.56,3.20,4.6,3.8,3.78,2.98,4.80,4.10,3.65])}
#Create a DataFrame
df = pd.DataFrame(d)
print df.describe()
执行上面示例代码,得到以下结果 -
Age Rating
count 12.000000 12.000000
mean 31.833333 3.743333
std 9.232682 0.661628
min 23.000000 2.560000
25% 25.000000 3.230000
50% 29.500000 3.790000
75% 35.500000 4.132500
max 51.000000 4.800000
该函数给出了平均值,标准差和IQR值。 而且,函数排除字符列,并给出关于数字列的摘要。 include是用于传递关于什么列需要考虑用于总结的必要信息的参数。获取值列表; 默认情况下是”数字值”。
object - 汇总字符串列
number - 汇总数字列
all - 将所有列汇总在一起(不应将其作为列表值传递)
现在,在程序中使用以下语句并检查输出 -
import pandas as pd
import numpy as np
#Create a Dictionary of series
d = {'Name':pd.Series(['Tom','James','Ricky','Vin','Steve','Minsu','Jack',
'Lee','David','Gasper','Betina','Andres']),
'Age':pd.Series([25,26,25,23,30,29,23,34,40,30,51,46]),
'Rating':pd.Series([4.23,3.24,3.98,2.56,3.20,4.6,3.8,3.78,2.98,4.80,4.10,3.65])}
#Create a DataFrame
df = pd.DataFrame(d)
print df.describe(include=['object'])
执行上面示例代码,得到以下结果 -
Name
count 12
unique 12
top Ricky
freq 1
现在,使用以下语句并查看输出 -
import pandas as pd
import numpy as np
#Create a Dictionary of series
d = {'Name':pd.Series(['Tom','James','Ricky','Vin','Steve','Minsu','Jack',
'Lee','David','Gasper','Betina','Andres']),
'Age':pd.Series([25,26,25,23,30,29,23,34,40,30,51,46]),
'Rating':pd.Series([4.23,3.24,3.98,2.56,3.20,4.6,3.8,3.78,2.98,4.80,4.10,3.65])}
#Create a DataFrame
df = pd.DataFrame(d)
print df. describe(include='all')
执行上面示例代码,得到以下结果 -
Age Name Rating
count 12.000000 12 12.000000
unique NaN 12 NaN
top NaN Ricky NaN
freq NaN 1 NaN
mean 31.833333 NaN 3.743333
std 9.232682 NaN 0.661628
min 23.000000 NaN 2.560000
25% 25.000000 NaN 3.230000
50% 29.500000 NaN 3.790000
75% 35.500000 NaN 4.132500
max 51.000000 NaN 4.800000
¥ 我要打赏
纠错/补充
收藏
加QQ群啦,易百教程官方技术学习群
注意:建议每个人选自己的技术方向加群,同一个QQ最多限加 3 个群。
mysql描述性统计函数_Pandas描述性统计相关推荐
- R语言描述性统计函数总结
描述性统计 1, 使用summary()函数来获取描述性统计量 summary()函数提供了最大值,最小值,四分位数和数值型变量的均值以及因子向量和逻辑向量的频数统计 例子 myvars <- ...
- mysql中实现分类统计查询的步骤_在MySQL中如何进行分组统计查询
昨天和大家分享了MySQL中,如何进行聚合函数及统计函数查询,若是不清楚的话,可以去看一下我的那个文章.今天继续和大家分享,在MySQL中如何进行分组统计查询,这个在实际应用中,也会经常运用到,比如以 ...
- MySQL的跨年周统计问题(%X-%V)
MySQL的跨年周统计问题 最近在做项目的时候,发现了一个报表在进行周统计并且跨年的时候会出现问题,具体问题截图如下:(主要与%X-%V的时间格式符有关) 2016-12-18 ~~ 2017-01- ...
- mysql描述性统计函数_你知道什么是 MySQL 的模糊查询?
作者 | luanhz 责编 | 郭芮 本文对MySQL中几种常用的模糊搜索方式进行了介绍,包括LIKE通配符.RegExp正则匹配.内置字符串函数以及全文索引,最后给出了性能对比. 引言 MySQL ...
- [每日一答] [20151014] MySQL统计函数记录——时间段统计
按年汇总,统计: select sum(mymoney) as totalmoney, count(*) as sheets from mytable group by date_format(col ...
- python 描述性分析_描述性分析-1对被解释变量进行描述
描述性分析-1对被解释变量进行描述描述性分析-1对被解释变量进行描述 如果应用需要使用数据库,必须配置数据库连接信息,数据库的配置文件有多种定义方式. 配置文件 在全局或者应用配置目录(不清楚配置目录 ...
- mysql聚合函数统计_mysql学习-mysql聚合函数和分组统计
一.聚合函数 聚合函数.称为统计函数 常用的聚合函数 count()总量数 max()最大值 min()最小值 sum()和 avg()平均值 例:查询部门30的总人数(查询总人数,根据empno编号 ...
- 《MySQL——外部检测与内部统计 判断 主库是否出现问题》
目录 select1判断 查表判断 更新判断 外部检测弊端 内部统计 一主一备的双M架构里,主备切换只需要把客户端流量切换到备库. 在一主多从的架构里,主备切换要把客户端流量切换到备库,也需要把从库接 ...
- LeetCode MySQL 1107. 每日新用户统计
文章目录 1. 题目 2. 解题 1. 题目 Traffic 表: +---------------+---------+ | Column Name | Type | +-------------- ...
最新文章
- android开发我的新浪微博客户端-用户授权页面UI篇(3.1)
- mysql中union all的order by问题
- 【NLP-词向量】词向量的由来及本质
- VTK:相互作用之SelectAnActor
- 3GPP Release、TSG、RAN等概念介绍
- android dialog 自定义布局,如何设置AlertDialog的自定义布局?
- Hadoop中Yarnrunner里面submit Job以及AM生成 至Job处理过程源码解析
- Windows 7安装 Visual Studio 2010之大战三大回合
- 汉诺塔问题的c语言递归
- 4-0 Software Development OKR
- 测试音频质量的软件,音频测试工具V5.5
- NOWAIT及SKIP LOCKED的使用
- 【收山之作】我手上所有GALGAME 游戏资源封装工具下载
- 计算机屏幕背景设置方法,高清电脑桌面壁纸如何设置,教您设置系统主题美化方法...
- 深度、广度优先遍历算法python
- 助你上手Vue3全家桶之Vue3教程
- Dojo官方教程:Charting
- OpenCL-学习教程(一)
- Virtualbox源码分析21 NEM(Hyper-V兼容)2 Hyper-V初始化和VM创建销毁
- springboot+学生信息管理 毕业设计-附源码191219
热门文章
- 全国计算机等级考试二级C语言程序设计五合一笔试模拟试卷pdf
- 《深入浅出Python量化交易实战》:散户也能学会的数字化交易策略
- matlab 遗传算法工具箱(GATBX)
- 【python】python彻底卸载的方法【windows安装版卸载的示例】
- VMware Workstation 17.0 Pro Unlocker OEM BIOS for Linux
- linux cc攻击
- MATLAB南邮认证,典范!西电、南邮、中北大学微电子科学与工程通过工程教育认证...
- 信息学奥赛一本通2072
- 中国核电项目工程师圆满完成友勤2018年第七期P6软件培训课程。
- 全球异地多方连线视频直播(效果截图)