1樓：校zhang長
count 數量
mean 平均值
std 標準差
min 最小值
25% 第一四分位數 (q1)，又稱“較小四分位數”，等於該樣本中所有數值由小到大排列後第25%的數字。
50% 中位數
75% 同上類似
max 最大值
2樓：匿名使用者
describe()檢視資料的分佈情況
可返回變數和觀測的數量、缺失值和唯一值的數目、平均值、分位數等相關資訊
3樓：
pandas.series.describe
dataframe.describe(percentiles=none, include=none, exclude=none)
生成描述性統計，總結資料集分佈的中心趨勢，分散和形狀，不包括nan值。
分析數字和物件系列，以及混合資料型別的dataframe列集。 輸出將根據所提供的內容而有所不同。 有關詳細資訊，請參閱下面的註釋。
變數：1、百分位數：數字列表，可選
輸出中包含的百分位數。 全部應該在0和1之間。預設值為[.25，.5，.75]，返回第25，第50和第75百分位數。
2、包括：'all'，dtypes的列表或無（預設），可選
要包括在結果中的白名單資料型別。 忽略了系列。 以下是選項：
l 'all'：輸入的所有列都將包含在輸出中。
l 類似dtypes的列表：將結果限制為提供的資料型別。 將結果限制為數字型別，提交numpy.
number。要將其限制為分類物件，請提交numpy.object資料型別。
字串也可以以select_dtypes的樣式使用（例如，df.describe（include = ['o']））。
l 無（預設）：結果將包括所有數字列。
3、排除：型別為dtypes或none（預設），可選
從結果中忽略的黑名單資料型別。 忽略了系列。 以下是選項：
l 類似dtypes的列表：從結果中排除提供的資料型別。 選擇數字型別submit numpy.
number。要選擇分類物件，請提交資料型別numpy.object。
字串也可以以select_dtypes的樣式使用（例如，df.describe（include = ['o']））。
l 無（預設）：結果將不排除任何內容。
返回：總結：系列/ dataframe的匯**計
註釋:對於數值資料，結果的索引將包括計數，平均值，標準差，最小值，最大值以及較低的百分位數和50。預設情況下，較低的百分位數為25，較高的百分位數為75.
50百分位數與中位數相同。
對於物件資料（例如字串或時間戳），結果的索引將包括count，unique，top和freq。頂部是最常見的價值。頻率是最常見的頻率。時間戳還包括第一個和最後一個專案。
如果多個物件值具有最高的計數，則計數和頂部結果將從計數最高的那些中任意選擇。
對於通過dataframe提供的混合資料型別，預設值僅返回數字列的分析。如果include ='all'作為選項提供，則結果將包括每種型別的屬性的並集。
可以使用include和exclude引數來限制dataframe中哪些列被分析輸出。分析系列時，引數將被忽略。
例子：描述數字系列。
>>> 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
描述一個分類系列。
>>> s = pd.series(['a', 'a', 'b', 'c'])
>>> s.describe()
count 4
unique 3
top a
freq 2
dtype: object
描述時間戳系列。
>>> 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 2010-01-0100:00:00
freq 2
first 2000-01-01 00:00:00
last 2010-01-01 00:00:00
dtype: object
描述dataframe。預設情況下只返回數字欄位。
>>> df = pd.dataframe([[1, 'a'], [2, 'b'], [3, 'c']],
... columns=['numeric', 'object'])
>>> df.describe()
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
描述dataframe的所有列，而不管資料型別如何。
>>> df.describe(include='all')
numericobject
count 3.0 3
unique nan 3
top nan b
freq nan 1
mean 2.0 nan
std 1.0 nan
min 1.0 nan
25% 1.5 nan
50% 2.0 nan
75% 2.5 nan
max 3.0 nan
通過訪問dataframe作為屬性來描述列。
>>> df.numeric.describe()
count 3.0
mean 2.0
std 1.0
min 1.0
25% 1.5
50% 2.0
75% 2.5
max 3.0
name: numeric, dtype: float64
在dataframe描述中僅包含數字列。
>>> 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描述中只包含字串列。
>>> df.describe(include=[np.object])
object
count 3
unique 3
top b
freq 1
從dataframe描述中排除數字列。
>>> df.describe(exclude=[np.number])
object
count 3
unique 3
top b
freq 1
從dataframe描述中排除物件列。
>>> df.describe(exclude=[np.object])
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頂0踩0
python裡面我想知道這是什麼意思,a是一個dataframe，求詳解 5
4樓：雙子座的我
應該是 b = a的x列的所有第0位組成的陣列吧
橢圓的引數方程原理,橢圓的引數方程中角的意義是什麼想不透啊,具體點
橢圓的參bai數方程 中心點為 duh,k 主軸zhi平行於x軸時,標準方程dao 高中課本專在平面直角座標系屬中,用方程描述了橢圓,橢圓的標準方程中的 標準 指的是中心在原點,對稱軸為座標軸。f點在x軸 2張 橢圓的標準方程有兩種,取決於焦點所在的座標軸 1 焦點在x軸時,標準方程為 2 焦點在y...
請問數碼相機引數中的光學變焦倍數是什麼意思，有什麼作用
光學變焦俗話就是把遠處的東西拉近，跟望遠鏡很像。倍數就是把你拍的東西放大到原來的多少倍 個人建議和觀點供你參考 通俗點說,光學變焦是依靠光學鏡頭結構來實現變焦的,通過鏡片的移動來放大與縮小需要拍攝的景物,是真正有效實用的變焦方式,基本無損成像質量.數碼變焦實際上是畫面的電子放大,把原來ccd影像感應...
描述簡單物件特性的引數有哪些各有何物理意義
1.放大係數k k的物理意義 如果有一定的輸入變化量 q作用於過程，通過過程後被放大了k倍，變為輸出變化量 w。放大係數k對系統的影響 對控制通道的影響 放大係數越大，操縱變數的變化對被控變數的影響就越大，控制作用對擾動的補償能力強，有利於克服擾動的影響，餘差就越小 反之，放大係數小，控制作用的影響...