Python Pandas - Estadísticas descriptivas
Una gran cantidad de métodos calculan colectivamente estadísticas descriptivas y otras operaciones relacionadas en DataFrame. La mayoría de estas son agregaciones comosum(), mean(), pero algunos de ellos, como sumsum(), producir un objeto del mismo tamaño. En general, estos métodos requierenaxisargumento, al igual que ndarray. {sum, std, ...}, pero el eje se puede especificar por nombre o entero
DataFrame - "índice" (eje = 0, predeterminado), "columnas" (eje = 1)
Creemos un DataFrame y usemos este objeto a lo largo de este capítulo para todas las operaciones.
Ejemplo
import pandas as pd
import numpy as np
#Create a Dictionary of series
d = {'Name':pd.Series(['Tom','James','Ricky','Vin','Steve','Smith','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 dfSus output es como sigue -
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 Smith 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 3.65suma()
Devuelve la suma de los valores del eje solicitado. Por defecto, el eje es el índice (eje = 0).
import pandas as pd
import numpy as np
#Create a Dictionary of series
d = {'Name':pd.Series(['Tom','James','Ricky','Vin','Steve','Smith','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()Sus output es como sigue -
Age 382
Name TomJamesRickyVinSteveSmithJackLeeDavidGasperBe...
Rating 44.92
dtype: objectCada columna individual se agrega individualmente (se agregan cadenas).
eje = 1
Esta sintaxis dará el resultado que se muestra a continuación.
import pandas as pd
import numpy as np
#Create a Dictionary of series
d = {'Name':pd.Series(['Tom','James','Ricky','Vin','Steve','Smith','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)Sus output es como sigue -
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: float64media()
Devuelve el valor medio.
import pandas as pd
import numpy as np
#Create a Dictionary of series
d = {'Name':pd.Series(['Tom','James','Ricky','Vin','Steve','Smith','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()Sus output es como sigue -
Age 31.833333
Rating 3.743333
dtype: float64std ()
Devuelve la desviación estándar de Bressel de las columnas numéricas.
import pandas as pd
import numpy as np
#Create a Dictionary of series
d = {'Name':pd.Series(['Tom','James','Ricky','Vin','Steve','Smith','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()Sus output es como sigue -
Age 9.232682
Rating 0.661628
dtype: float64Funciones y descripción
Entendamos ahora las funciones en Estadísticas descriptivas en Python Pandas. La siguiente tabla enumera las funciones importantes:
| No Señor. | Función | Descripción |
|---|---|---|
| 1 | contar() | Número de observaciones no nulas |
| 2 | suma() | Suma de valores |
| 3 | media() | Media de valores |
| 4 | mediana() | Mediana de valores |
| 5 | modo() | Modo de valores |
| 6 | std () | Desviación estándar de los valores |
| 7 | min () | Valor mínimo |
| 8 | max () | Valor máximo |
| 9 | abdominales() | Valor absoluto |
| 10 | pinchar() | Producto de valores |
| 11 | cumsum () | Suma acumulada |
| 12 | cumprod () | Producto acumulativo |
Note- Dado que DataFrame es una estructura de datos heterogénea. Las operaciones genéricas no funcionan con todas las funciones.
Funciones como sum(), cumsum()trabajar con elementos de datos de cadena tanto numéricos como de caracteres (o) sin ningún error. Aunquen En la práctica, las agregaciones de caracteres nunca se usan en general, estas funciones no arrojan ninguna excepción.
Funciones como abs(), cumprod() lanzar una excepción cuando el DataFrame contiene datos de caracteres o cadenas porque tales operaciones no se pueden realizar.
Resumen de datos
los describe() La función calcula un resumen de estadísticas pertenecientes a las columnas de DataFrame.
import pandas as pd
import numpy as np
#Create a Dictionary of series
d = {'Name':pd.Series(['Tom','James','Ricky','Vin','Steve','Smith','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()Sus output es como sigue -
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 4.800000Esta función da mean, std y IQRvalores. Y la función excluye las columnas de caracteres y un resumen dado sobre las columnas numéricas.'include'es el argumento que se utiliza para transmitir la información necesaria sobre qué columnas deben tenerse en cuenta para resumir. Toma la lista de valores; por defecto, 'número'.
- object - Resume columnas de cadena
- number - Resume columnas numéricas
- all - Resume todas las columnas juntas (no debe pasarlo como un valor de lista)
Ahora, use la siguiente declaración en el programa y verifique la salida:
import pandas as pd
import numpy as np
#Create a Dictionary of series
d = {'Name':pd.Series(['Tom','James','Ricky','Vin','Steve','Smith','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'])Sus output es como sigue -
Name
count 12
unique 12
top Ricky
freq 1Ahora, use la siguiente declaración y verifique el resultado:
import pandas as pd
import numpy as np
#Create a Dictionary of series
d = {'Name':pd.Series(['Tom','James','Ricky','Vin','Steve','Smith','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')Sus output es como sigue -
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