pandas模組為我們提供了非常多的描述性統計分析的指標函式，如總和、均值、最小值、最大值等，我們來具體看看這些函式：

1、隨機生成三組資料

import numpy as np
import pandas as pd

np.random.seed(1234)
d1 = pd.Series(2*np.random.normal(size = 100)+3)
d2 = np.random.f(2,4,size = 100)
d3 = np.random.randint(1,100,size = 100)

2、統計分析用到的函式

d1.count()          #非空元素計算
d1.min
 
()            #最小值
d1.max()            #最大值
d1.idxmin()         #最小值的位置，類似於R中的which.min函式
d1.idxmax()         #最大值的位置，類似於R中的which.max函式
d1.quantile(0.1)    #10%分位數
d1.sum()            #求和
d1.mean()           #均值
d1.median()         #中位數
d1.mode()           #眾數
d1.var()            #方差
d1.std()            #標準差
 

d1.mad()            #平均絕對偏差
d1.skew()           #偏度
d1.kurt()           #峰度
d1.describe()       #一次性輸出多個描述性統計指標

• 必須注意的是，descirbe方法只能針對序列或資料框，一維陣列是沒有這個方法的

自定義一個函式，將這些統計指標彙總在一起：

def status(x) : 
    return pd.Series([x.count(),x.min(),x.idxmin(),x.quantile(.25),x.median(),
                      x.quantile(.75
 
),x.mean(),x.max(),x.idxmax(),x.mad(),x.var(),
                      x.std(),x.skew(),x.kurt()],index=['總數','最小值','最小值位置','25%分位數',
                    '中位數','75%分位數','均值','最大值','最大值位數','平均絕對偏差','方差','標準差','偏度','峰度'])

執行該函式，檢視一下d1資料集的這些統計函式值：

df = pd.DataFrame(status(d1))
df

結果：

在實際的工作中，我們可能需要處理的是一系列的數值型資料框，如何將這個函式應用到資料框中的每一列呢？可以使用apply函式，這個非常類似於R中的apply的應用方法。
將之前建立的d1,d2,d3資料構建資料框：

df = pd.DataFrame(np.array([d1,d2,d3]).T, columns=['x1','x2','x3'])
df.head()

df.apply(status)

結果：

3、載入CSV資料

import numpy as np
import pandas as pd

bank = pd.read_csv("D://bank/bank-additional-train.csv")
bank.head()    #檢視前5行

描述性統計1：describe()

result = bank['age'].describe()
pd.DataFrame(result )   #格式化成DataFrame

描述性統計2：describe(include=[‘number’])

include中填寫的是資料型別，若想檢視所有資料的統計資料，則可填寫object，即include=['object']；若想檢視float型別的資料，則為include=['float']。

result = bank.describe(include=['object'])

含義：

• count：指定欄位的非空總數。
• unique：該欄位中儲存的值型別數量，比如性別列儲存了男、女兩種值，則unique值則為2。
• top：數量最多的值。
• freq：數量最多的值的總數。

bank.describe(include=['number'])

連續變數的相關係數（corr）

bank.corr()

協方差矩陣（cov）

bank.cov()

刪除列

bank.drop('job', axis=1)    #刪除年齡列，axis=1必不可少

排序

bank.sort_values(by=['job','age'])  #根據工作、年齡升序排序
bank.sort_values(by=['job','age'], ascending=False)     #根據工作、年齡降序排序

多表連線

準備資料：

import numpy as np
import pandas as pd

student = {'Name':['Bob','Alice','Carol','Henry','Judy','Robert','William'],
           'Age':[12,16,13,11,14,15,24],
           'Sex':['M','F','M','M','F','M','F']}

score = {'Name':['Bob','Alice','Carol','Henry','William'],
         'Score':[75,35,87,86,57]}

df_student = pd.DataFrame(student)
df_student

df_score = pd.DataFrame(score)
df_score

student：

score：

內連線

stu_score1 = pd.merge(df_student, df_score, on='Name')
stu_score1

• 注意，預設情況下，merge函式實現的是兩個表之間的內連線，即返回兩張表中共同部分的資料。可以通過how引數設定連線的方式，left為左連線；right為右連線；outer為外連線。

左連線

stu_score2 = pd.merge(df_student, df_score, on='Name',how='left')
stu_score2

• 左連線中，沒有Score的學生Score為NaN

缺失值處理

現實生活中的資料是非常雜亂的，其中缺失值也是非常常見的，對於缺失值的存在可能會影響到後期的資料分析或挖掘工作，那麼我們該如何處理這些缺失值呢？常用的有三大類方法，即刪除法、填補法和插值法。

刪除法

當資料中的某個變數大部分值都是缺失值，可以考慮刪除改變數；當缺失值是隨機分佈的，且缺失的數量並不是很多是，也可以刪除這些缺失的觀測。

替補法

對於連續型變數，如果變數的分佈近似或就是正態分佈的話，可以用均值替代那些缺失值；如果變數是有偏的，可以使用中位數來代替那些缺失值；對於離散型變數，我們一般用眾數去替換那些存在缺失的觀測。

插補法

插補法是基於蒙特卡洛模擬法，結合線性模型、廣義線性模型、決策樹等方法計算出來的預測值替換缺失值。

• 此處測試使用上面學生成績資料進行處理

查詢某一欄位資料為空的數量

sum(pd.isnull(stu_score2['Score']))
結果：2

直接刪除缺失值

stu_score2.dropna()

刪除前：

刪除後：

• 預設情況下，dropna會刪除任何含有缺失值的行

刪除所有行為缺失值的資料

import numpy as np
import pandas as pd

df = pd.DataFrame([[1,2,3],[3,4,np.nan],
                  [12,23,43],[55,np.nan,10],
                  [np.nan,np.nan,np.nan],[np.nan,1,2]],
                  columns=['a1','a2','a3'])

df.dropna()     #該操作會刪除所有有缺失值的行資料

df.dropna(how='all')    #該操作僅會刪除所有列均為缺失值的行資料

填充資料

使用一個常量來填補缺失值，可以使用fillna函式實現簡單的填補工作：

1、用0填補所有缺失值

df.fillna(0)

2、採用前項填充或後向填充

df.fillna(method='ffill')   #用前一個值填充

df.fillna(method='bfill')   #用後一個值填充

3、使用常量填充不同的列

df.fillna({'a1':100,'a2':200,'a3':300})

4、用均值或中位數填充各自的列

a1_median = df['a1'].median()   #計算a1列的中位數
a1_median=7.5

a2_mean = df['a2'].mean()       #計算a2列的均值
a2_mean = 7.5

a3_mean = df['a3'].mean()       #計算a3列的均值
a3_mean = 14.5

df.fillna({'a1':a1_median,'a2':a2_mean,'a3':a3_mean})   #填充值

• 很顯然，在使用填充法時，相對於常數填充或前項、後項填充，使用各列的眾數、均值或中位數填充要更加合理一點，這也是工作中常用的一個快捷手段。

資料打亂（shuffle）

實際工作中，經常會碰到多個DataFrame合併後希望將資料進行打亂。在pandas中有sample函式可以實現這個操作。

df = df.sample(frac=1)

• 這樣對可以對df進行shuffle。其中引數frac是要返回的比例，比如df中有10行資料，我只想返回其中的30%,那麼frac=0.3。

有時候，我們可能需要打混後資料集的index（索引）還是按照正常的排序。我們只需要這樣操作

df = df.sample(frac=1).reset_index(drop=True)