【pandas describe()函数使用介绍】

1. 介绍

pandas 是基于numpy构建的含有更高级数据结构和工具的数据分析包，提供了高效地操作大型数据集所需的工具。pandas有两个核心数据结构 Series和DataFrame，分别对应了一维的序列和二维的表结构。而describe()函数就是返回这两个核心数据结构的统计变量。其目的在于观察这一系列数据的范围、大小、波动趋势等等，为后面的模型选择打下基础。

pandas.DataFrame.describe 的官方文档。

DataFrame.describe(percentiles=None, include=None, exclude=None)
# return: Series or DataFrame.  Summary statistics of the Series or Dataframe provided.

它有三个参数：

• percentiles ：这个参数可以设定数值型特征的统计量，默认是[.25, .5, .75],也就是返回25%，50%，75%数据量时的数字，但是这个可以修改的
• include：这个参数默认是只计算数值型特征的统计量，当输入include=[‘O’]，会计算离散型变量的统计特征；
• exclude：你可以指定不选哪些，人性化设计。这个参数默认不丢弃任何列，相当于无影响。

---

2. 使用举例

2.1 使用一个series数据进行分析

连续值

def describe_series():
    int_data = pd.Series([1, 2, 3, 4])
    print(int_data.describe())

结果：

count    4.000000
mean     2.500000
std      1.290994
min      1.000000
25%      1.750000
50%      2.500000
75%      3.250000
max      4.000000

这里由于我们的int_data是一个连续值，所以我们得到的结果得格式就是：

• count:每一列非空值的数量
• mean: 每一列的平均值
• std:每一列的标准差
• min：最小值
• 25%：25%分位数，排序之后排在25%位置的数
• 50%：50%分位数
• 75%：75%分位数
• max:最大值

离散值

def describe_series():
	string_data = pd.Series(['a', 'd', 'r', 't'])
    print(string_data.describe())

结果：

count     4
unique    4
top       a
freq      1

这里由于我们的string_data是一个离散值，所以我们得到的结果得格式就是：

• unique：不重复的离散值数目，去重之后的个数
• top: 出现次数最多的离散值
• freq: 上述的top出现的次数

2.2 使用一个dataframe数据进行分析

def describe_dataframe():
    dataframe_data = pd.DataFrame({'name': pd.Categorical(['agou', 'ahua', 'amao']), 'age': [10, 20, 30], 'address': ['CN', 'USB', 'UK']})
    print(dataframe_data)
    # include='all',代表对所有列进行统计，如果不加这个参数，则只对数值列进行统计
    desc = dataframe_data.describe(include='all')  
    print(desc)

结果：

   name  age address
0  agou   10      CN
1  ahua   20     USB
2  amao   30      UK

        name   age address
count      3   3.0       3
unique     3   NaN       3
top     agou   NaN      CN
freq       1   NaN       1
mean     NaN  20.0     NaN
std      NaN  10.0     NaN
min      NaN  10.0     NaN
25%      NaN  15.0     NaN
50%      NaN  20.0     NaN
75%      NaN  25.0     NaN
max      NaN  30.0     NaN

缺失值由NaN补上，如果为NaN，说明此列的信息不可以用这个统计变量进行统计的。注意，数值列和字母列是不一样的。

---