pythondescribe函数_Pythonpandas.DataFrame.descr。。。DataFrame.describe(lf, percentiles=None, include=None, exclude=None)
⽣成描述性统计数据，总结数据集分布的集中趋势，分散和形状，不包括 NaN值。
分析数字和对象系列，以及DataFrame混合数据类型的列集。输出将根据提供的内容⽽有所不同。有关更多详细信息，请参阅以下注释。
参数：percentiles： 列表类似数字，可选
要包含在输出中的百分位数。全部应该介于0和1之间。
默认值为 ，返回第25，第50和第75百分位数。[.25, .5, .75]
include ： 'all'，类似于dtypes或None(默认值)，可选
要包含在结果中的数据类型的⽩名单。被忽略了Series。
以下是选项：
'all'：输⼊的所有列都将包含在输出中。
类似于dtypes的列表：将结果限制为提供的数据类型。
将结果限制为数字类型提交numpy.number。
要将其限制为对象列，请提交numpy.object数据类型。
字符串也可以以lect_dtypes
(例如df.describe(include=['O']))的⽅式使⽤。
要选择pandas分类列，请使⽤'category'
None (default) ：结果将包括所有数字列。
exclude ： 类似于dtypes或None(默认值)，可选，
要从结果中省略的⿊⾊数据类型列表。被忽略了Series。
以下是选项：
类似于dtypes的列表：从结果中排除提供的数据类型。
要排除数字类型提交numpy.number。要排除对象列，
备孕请提交数据类型numpy.object。字符串也可以以lect_dtypes
(例如df.describe(include=['O']))的⽅式使⽤。
要排除pandas分类列，请使⽤'category'
None (default)：结果将不包含任何内容。
返回：Series或DataFrame
提供的Series或Dataframe的摘要统计信息。
Notes
对于数字数据，则结果的指数将包括count， mean，std，min，max以及下，50和上百分。默认情况下，百分位数较低，百分位数25较⾼75。该50百分⽐是⼀样的中位数。
为对象的数据(例如字符串或时间戳)，则结果的指数将包括count，unique，top，和freq。这top 是最常见的价值。这freq是最常见的价值频率。时间戳还包括first和last项⽬。
如果多个对象值具有最⾼计数，那么 将从具有最⾼计数的那些中任意选择count和top结果。
对于通过a提供的混合数据类型DataFrame，默认情况下仅返回数字列的分析。如果数据框仅包含没有任何数字列的对象和分类数据，则默认情况下将返回对象和分类列的分析。如果include='all'作为选项提供，则结果将包括每种类型的属性的并集。
包括和排除参数可以被⽤于限制其列在DataFrame被分析的输出。分析a时会忽略这些参数Series。
例⼦
描述数字Series>>> s = pd.Series([1, 2, 3])
>>> s.describe()
count 3.0
mean 2.0
std 1.0
min 1.0
25% 1.5
50% 2.0
75% 2.5
max 3.0
dtype: float64
描述⼀个分类Series>>> s = pd.Series(['a', 'a', 'b', 'c'])
>>> s.describe()
count 4
unique 3
长江二号top a
freq 2
圣诞节吃什么食物
dtype: object
描述时间戳Series>>> s = pd.Series([
... np.datetime64("2000-01-01"),
... np.datetime64("2010-01-01"),
... np.datetime64("2010-01-01")
... ])
>>> s.describe()
count 3
unique 2
top 2010-01-01 00:00:00
freq 2
first 2000-01-01 00:00:00
last 2010-01-01 00:00:00
dtype: object
描述⼀个DataFrame。默认情况下，仅返回数字字段>>> df = pd.DataFrame({'categorical': pd.Categorical(['d','e','f']), ... 'numeric': [1, 2, 3],
... 'object': ['a', 'b', 'c']
... })
>>> df.describe()
numeric
count 3.0
mean 2.0
std 1.0
min 1.0
25% 1.5
50% 2.0
75% 2.5
overcamemax 3.0
描述DataFrame不管数据类型的所有列>>> df.describe(include='all')
categorical numeric object
count 3 3.0 3
unique 3 NaN 3
top f NaN c
freq 1 NaN 1
mean NaN 2.0 NaN
std NaN 1.0 NaN
min NaN 1.0 NaN
25% NaN 1.5 NaN
50% NaN 2.0 NaN
75% NaN 2.5 NaN
DMA方式
max NaN 3.0 NaN
DataFrame通过将其作为属性访问来描述a中的列>>> df.numeric.describe()
count 3.0
mean 2.0
std 1.0
min 1.0
25% 1.5
50% 2.0
75% 2.5
盘羊角
max 3.0
Name: numeric, dtype: float64
在DataFrame描述中仅包括数字列>>> df.describe(include=[np.number]) numeric
count 3.0
mean 2.0
std 1.0
min 1.0
25% 1.5
50% 2.0
75% 2.5
max 3.0
在DataFrame描述中仅包括字符串列>>> df.describe(include=[np.object]) object
count 3
unique 3
top c
freq 1
仅包括DataFrame描述中的分类列>>> df.describe(include=['category']) categorical
count 3时间煮雨吴亦凡
unique 3
top f
freq 1
从DataFrame描述中排除数字列>>> df.describe(exclude=[np.number]) categorical object
count 3 3
unique 3 3
top f c
freq 1 1
从DataFrame描述中排除对象列>>> df.describe(exclude=[np.object])
26字母发音categorical numeric count 3 3.0
unique 3 NaN
top f NaN
freq 1 NaN
mean NaN 2.0
std NaN 1.0
min NaN 1.0
25% NaN 1.5
50% NaN 2.0
75% NaN 2.5
max NaN 3.0
