Pandas-数据特征分析

DQ小恐龙

已于 2023-09-26 16:31:48 修改

阅读量50

点赞数

分类专栏： # Pandas 文章标签： pandas

于 2023-09-26 16:30:04 首次发布

本文链接：https://blog.csdn.net/qq_55414382/article/details/133313075

版权

Pandas 专栏收录该内容

2 篇文章 0 订阅

订阅专栏

一、排序

1、索引排序

a.sort_index(axis = 1 ,ascending=False)
Out[103]:
4 3 2 1 0
0 4 3 2 1 0
1 9 8 7 6 5
2 14 13 12 11 10
3 19 18 17 16 15

a.sort_index(axis = 1 ,ascending=False).sort_index(axis=0,ascending=False)
Out[107]:
4 3 2 1 0
3 19 18 17 16 15
2 14 13 12 11 10
1 9 8 7 6 5
0 4 3 2 1 0

2、值排序

a.sort_index(axis = 1 ,ascending=False)
Out[103]:
4 3 2 1 0
0 4 3 2 1 0
1 9 8 7 6 5
2 14 13 12 11 10
3 19 18 17 16 15

a.sort_values(2,axis = 1,ascending=False)
Out[110]:
4 3 2 1 0
0 4 3 2 1 0
1 9 8 7 6 5
2 14 13 12 11 10
3 19 18 17 16 15

二、数据基本统计分析

a
Out[111]:
0 1 2 3 4
0 0 1 2 3 4
1 5 6 7 8 9
2 10 11 12 13 14
3 15 16 17 18 19
a.describe()
Out[112]:
0 1 2 3 4
count 4.000000 4.000000 4.000000 4.000000 4.000000
mean 7.500000 8.500000 9.500000 10.500000 11.500000
std 6.454972 6.454972 6.454972 6.454972 6.454972
min 0.000000 1.000000 2.000000 3.000000 4.000000
25% 3.750000 4.750000 5.750000 6.750000 7.750000
50% 7.500000 8.500000 9.500000 10.500000 11.500000
75% 11.250000 12.250000 13.250000 14.250000 15.250000
max 15.000000 16.000000 17.000000 18.000000 19.000000

三、累计统计分析函数

1、累计统计函数

a
Out[113]: 
    0   1   2   3   4
0   0   1   2   3   4
1   5   6   7   8   9
2  10  11  12  13  14
3  15  16  17  18  19
a.cumsum()
Out[114]: 
    0   1   2   3   4
0   0   1   2   3   4
1   5   7   9  11  13
2  15  18  21  24  27
3  30  34  38  42  46
a.cumprod()
Out[115]: 
   0     1     2     3     4
0  0     1     2     3     4
1  0     6    14    24    36
2  0    66   168   312   504
3  0  1056  2856  5616  9576
a.cummax()
Out[116]: 
    0   1   2   3   4
0   0   1   2   3   4
1   5   6   7   8   9
2  10  11  12  13  14
3  15  16  17  18  19
a.cummin()
Out[117]: 
   0  1  2  3  4
0  0  1  2  3  4
1  0  1  2  3  4
2  0  1  2  3  4
3  0  1  2  3  4

2、滚动统计函数

#默认为 axis=0

a.rolling(2).sum()
Out[121]:
0 1 2 3 4
0 NaN NaN NaN NaN NaN
1 5.0 7.0 9.0 11.0 13.0
2 15.0 17.0 19.0 21.0 23.0
3 25.0 27.0 29.0 31.0 33.0