pandas.DataFrame.describe的使用方法

根据官方的定义来看，

简单来说
语法是这样的：DataFrame.describe(percentiles=None,include=None,exclude=None)

第一个参数percentiles是返回这组数据的count ，mean，std，min，max，还有百分位数。
简单来说就是数据的数量，方差，标准差，最大值，最小值，还有25%,50%，75%的百分位数或者是50%，根据版本语法规定。
举个例子：

import pandas as pd
df = pd.DataFrame(data={
    'A':list('abaacdadaf'),
    'B':[2,4,6,3,6,2,5,8,0,2]
})
print(df.describe(percentiles=()))

结果是这样的：
B
count 10.000000
mean 3.800000
std 2.440401
min 0.000000
50% 3.500000
max 8.000000

这里补充一点，百分位数是这样算的：

举个例子：你将我上面的数据排序后：[0, 2, 2, 2, 3, 4, 5, 6, 6, 8]
然后第50%位就是3，比3大一位的是4，返回的结果就是3.500000.

当然是可以定义其他值的，用法为df.describe(percentiles=[.xx])

include：类似于dtypes列表或None（默认值），就是选择出相关符合的值，举个例子

#还有一部分在上面就不复制下来了
print(df.describe(include='all'))
print(df.describe(include='O'))
print(df.describe(include=None))

设置参数为’all’则输入的所有列都在输出中,设置为O则只输出离散型变量的，如果为None的话，就根据cloums输出(结果将包括所有数字列。)当然，你在输出all的时候，要注意数据的长度是不是一样的
注意对于Series不可用！
当然你还可以这样处理，不过要先设置一些数据：

import pandas as pd
import numpy as np

df = pd.DataFrame(data={
     'categracal':pd.Categorical(["a","g","e"]),
     'numeric':[1,3,6],
     "object":["r","D","T"]
})
print(df.describe(include=["category"]))
print(df.describe(include=[np.object]))
print(df.describe(include=[np.number]))

三个分别对应上面的：结果大家可以试一下。np.number是处理数字。。。。。
举一个简单的结果。。。

categracal
count 3
unique 3
top g
freq 1

参数的话，有一些改变，top是出现频率最高的。freq是重复的次数。unique表示几个是独一无二的

exclude：
当然你也可以用这个来排除，意思就是排除了两个，那么剩下的就是输出的，
比如说：

print(df.describe(exclude=[np.number，np.object]))

输出结果就是 categracal的分析。。。。。。