提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档
文章目录
前言
提示：这里可以添加本文要记录的大概内容：
数据统计有三种方式：1、汇总类统计。2、唯一去重和按值计数。3、相关系数和协方差
提示：以下是本篇文章正文内容，下面案例可供参考
一、视频链接
二、使用步骤
0.数据处理
代码如下（示例）：
import pandas as pd
import numpy as np
df=pd.read_excel(r"C:\Users\lenovo\Desktop\b.xls")
df.loc[:,"bwendu"]=df["bwendu"].str.replace("℃","").astype('int32')
df.loc[:,"ywendu"]=df["ywendu"].str.replace("℃","").astype('int32')
1.df.describe()针对所有数据列
对连续值来说：
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
对离散值来说特有的：
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
————————————————
版权声明：本文为CSDN博主「_qz」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/m0_45210226/article/details/108942526：
#提取dataframe中所有数据列的汇总统计信息
df.describe()
df["bwendu"].mean()#查看bwendu的平均值
df["bwendu"].max()#查看bwendu的最大值
df["bwendu"].min()#查看bwendu的最小值
2.针对非数字类型的列（唯一去重和按值计数）
2.1唯一性去重df.unique()
一般不用于数值列，用于枚举、分类列
2.2按值计数
df["姓名"].value_counts()
3.相关系数和协方差
用途：比如：两只股票是同涨同跌？程度多大？正相关还是负相关？
产品销量的波动，跟哪些因素正相关、负相关、程度有多大？
对于两个变量x、y：
1、协方差：衡量同向反向程度，如果协方差为正，说明x、y同向变化，协方差越大说明同向程度越高。如果协方差为负数，说明x、y反向运动，协方差越小说明反向程度越大
2、相关系数：衡量相似程度。当相关系数为1时，说明两个变量变化时的正向相似程度最大；当相关系数为-1时，说明两个变量变化的反向相似程度最大
df.cov()#协方差矩阵
df.corr()#相关系数矩阵
#单独查看空气质量和最高温度的相关系数
df["aqi"].corr(df["bwendu"])
#!!这就是特征工程对于机器学习重要性的一个例子
总结
提示：这里对文章进行总结：
协方差和相关系数的数学基础不是很清楚
Original: https://blog.csdn.net/qq_23605533/article/details/124529727
Author: qq_23605533
Title: pandas数据统计函数
原创文章受到原创版权保护。转载请注明出处：https://www.johngo689.com/754911/
转载文章受原作者版权保护。转载请注明原作者出处！