如何获取Pandas DataFrame的描述性统计量（） _PandasDataFrame如何获取描述性统

需要获取Pandas DataFrame的描述性统计数据吗？Pandas DataFrame如何获取描述性统计量？
如果是这样，你可以使用以下模板获取DataFrame 中特定列的描述性统计信息：

df[ 'DataFrame Column'].describe()

或者，你可以使用此模板获取整个DataFrame的描述性统计信息：

df.describe(include='all')

【如何获取Pandas DataFrame的描述性统计量（）】在下一节中，我将通过一个示例向你展示导出描述性统计量的步骤。
获取Pandas DataFrame描述性统计数据的步骤第 1 步：收集数据
首先，你需要为 DataFrame 收集数据。例如，我收集了以下有关汽车的数据：

Brand	Price	Year
Honda Civic	22000	2014
Ford Focus	27000	2015
Toyota Corolla	25000	2016
Toyota Corolla	29000	2017
Audi A4	35000	2018

第 2 步：创建数据帧
接下来，你需要根据收集的数据创建 DataFrame。
对于我们的示例，创建 DataFrame 的代码是：

from pandas import DataFrameCars = {'Brand': [ 'Honda Civic','Ford Focus','Toyota Corolla','Toyota Corolla','Audi A4'], 'Price': [ 22000,27000,25000,29000,35000], 'Year': [ 2014,2015,2016,2017,2018] }df = DataFrame(Cars, columns= [ 'Brand', 'Price','Year']) print (df)

用 Python 运行代码，你会得到这个 DataFrame：

文章图片
第 3 步：获取Pandas DataFrame的描述性统计信息
准备好 DataFrame 后，你将能够使用你在本指南开头看到的模板获取描述性统计信息：

df[ 'DataFrame Column'].describe()

假设你想要获取包含数字数据的“价格”字段的描述性统计数据。 在这种情况下，你需要应用的语法是：

df[ 'Price'].describe()

所以完整的 Python 代码如下Pandas DataFrame获取描述性统计量示例：

from pandas import DataFrameCars = {'Brand': [ 'Honda Civic','Ford Focus','Toyota Corolla','Toyota Corolla','Audi A4'], 'Price': [ 22000,27000,25000,29000,35000], 'Year': [ 2014,2015,2016,2017,2018] }df = DataFrame(Cars, columns= [ 'Brand', 'Price','Year'])stats_numeric = df[ 'Price'].describe() print (stats_numeric)

运行代码后，你将获得“价格”字段的描述性统计信息：

文章图片
你会注意到输出包含 6 个小数位。然后，你可以将astype (int)的语法添加到代码中以获取整数值。
这是代码的样子：

from pandas import DataFrameCars = {'Brand': [ 'Honda Civic','Ford Focus','Toyota Corolla','Toyota Corolla','Audi A4'], 'Price': [ 22000,27000,25000,29000,35000], 'Year': [ 2014,2015,2016,2017,2018] }df = DataFrame(Cars, columns= [ 'Brand', 'Price','Year'])stats_numeric = df[ 'Price'].describe().astype (int) print (stats_numeric)

运行代码，你只会得到整数：

文章图片
分类数据的描述性统计Pandas DataFrame如何获取描述性统计量？到目前为止，你已经了解了如何获取数值数据的描述性统计量。“价格”字段用于此目的。
但是，你还可以获得分类数据的描述性统计数据。
例如，你可以使用以下代码获取“品牌”字段的一些描述性统计信息：

from pandas import DataFrameCars = {'Brand': [ 'Honda Civic','Ford Focus','Toyota Corolla','Toyota Corolla','Audi A4'], 'Price': [ 22000,27000,25000,29000,35000], 'Year': [ 2014,2015,2016,2017,2018] }df = DataFrame(Cars, columns= [ 'Brand', 'Price','Year'])stats_categorical = df[ 'Brand'].describe() print (stats_categorical)

这是你会得到的结果：

文章图片
获取整 Pandas DataFrame的描述性统计信息最后，你可以应用以下模板来获取整个DataFrame的描述性统计信息：

df.describe(include='all')

所以完整的 Python 代码如下所示：

from pandas import DataFrameCars = {'Brand': [ 'Honda Civic','Ford Focus','Toyota Corolla','Toyota Corolla','Audi A4'], 'Price': [ 22000,27000,25000,29000,35000], 'Year': [ 2014,2015,2016,2017,2018] }df = DataFrame(Cars, columns= [ 'Brand', 'Price','Year'])stats = df.describe(include='all') print (stats)

运行代码，你会得到如下结果：

文章图片
Pandas DataFrame的描述性统计量：分解描述性统计数据你可以将描述性统计进一步细分为以下内容：
计数：

df[ 'DataFrame Column'].count()

平均数：

df[ 'DataFrame Column'].mean()

标准偏差：

df[ 'DataFrame Column'].std()

最小值:

df[ 'DataFrame Column'].min()

0.25 分位数：

df[ 'DataFrame Column'].quantile(q=0.25)

0.50 分位数（中位数）：

df[ 'DataFrame Column'].quantile(q=0.50)

0.75 分位数：

df[ 'DataFrame Column'].quantile(q=0.75)

最大值:

df[ 'DataFrame Column'].max()

Pandas DataFrame如何获取描述性统计量？对于我们的示例， df['DataFrame Column'] 是df['Price']。
因此，我们示例的完整 Python 代码如下Pandas DataFrame获取描述性统计量示例：

from pandas import DataFrameCars = {'Brand': [ 'Honda Civic','Ford Focus','Toyota Corolla','Toyota Corolla','Audi A4'], 'Price': [ 22000,27000,25000,29000,35000], 'Year': [ 2014,2015,2016,2017,2018] }df = DataFrame(Cars, columns= [ 'Brand', 'Price','Year'])count1 = df[ 'Price'].count() print('count: ' + str(count1))mean1 = df[ 'Price'].mean() print('mean: ' + str(mean1))std1 = df[ 'Price'].std() print('std: ' + str(std1))min1 = df[ 'Price'].min() print('min: ' + str(min1))quantile1 = df[ 'Price'].quantile(q=0.25) print('25%: ' + str(quantile1))quantile2 = df[ 'Price'].quantile(q=0.50) print('50%: ' + str(quantile2))quantile3 = df[ 'Price'].quantile(q=0.75) print('75%: ' + str(quantile3))max1 = df[ 'Price'].max() print('max: ' + str(max1))

在 Python 中运行代码后，你将获得以下统计信息：