Pandas高级教程之:统计方法

绝代码农

　　简介　　数据分析中经常会用到很多统计类的方法，本文将会介绍Pandas中使用到的统计方法。
变动百分百　　Series和DF都有一个pct_change() 方法用来计算数据变动的百分比。这个方法在填充NaN值的时候特别有用。

ser = pd.Series(np.random.randn(8))
ser.pct_change()
Out[45]: 
0     NaN
1   -1.264716
2  4.125006
3   -1.159092
4   -0.091292
5  4.837752
6   -1.182146
7   -8.721482
dtype: float64
ser
Out[46]: 
0   -0.950515
1  0.251617
2  1.289537
3   -0.205155
4   -0.186426
5   -1.088310
6  0.198231
7   -1.530635
dtype: float64

　　pct_change还有个periods参数，可以指定计算百分比的periods，也就是隔多少个元素来计算：

In [3]: df = pd.DataFrame(np.random.randn(10, 4))
In [4]: df.pct_change(periods=3)
Out[4]: 
      0     1     2     3
0     NaN     NaN     NaN     NaN
1     NaN     NaN     NaN     NaN
2     NaN     NaN     NaN     NaN
3 -0.218320 -1.054001  1.987147 -0.510183
4 -0.439121 -1.816454  0.649715 -4.822809
5 -0.127833 -3.042065 -5.866604 -1.776977
6 -2.596833 -1.959538 -2.111697 -3.798900
7 -0.117826 -2.169058  0.036094 -0.067696
8  2.492606 -1.357320 -1.205802 -1.558697
9 -1.012977  2.324558 -1.003744 -0.371806

Covariance协方差　　Series.cov() 用来计算两个Series的协方差，会忽略掉NaN的数据。

In [5]: s1 = pd.Series(np.random.randn(1000))
In [6]: s2 = pd.Series(np.random.randn(1000))
In [7]: s1.cov(s2)
Out[7]: 0.0006801088174310875

　　同样的，DataFrame.cov() 会计算对应Series的协方差，也会忽略NaN的数据。

In [8]: frame = pd.DataFrame(np.random.randn(1000, 5), columns=["a", "b", "c", "d", "e"])
In [9]: frame.cov()
Out[9]: 
      a     b     c     d     e
a  1.000882 -0.003177 -0.002698 -0.006889  0.031912
b -0.003177  1.024721  0.000191  0.009212  0.000857
c -0.002698  0.000191  0.950735 -0.031743 -0.005087
d -0.006889  0.009212 -0.031743  1.002983 -0.047952
e  0.031912  0.000857 -0.005087 -0.047952  1.042487

　　DataFrame.cov 带有一个min_periods参数，可以指定计算协方差的最小元素个数，以保证不会出现极值数据的情况。

In [10]: frame = pd.DataFrame(np.random.randn(20, 3), columns=["a", "b", "c"])
In [11]: frame.loc[frame.index[:5], "a"] = np.nan
In [12]: frame.loc[frame.index[5:10], "b"] = np.nan
In [13]: frame.cov()
Out[13]: 
      a     b     c
a  1.123670 -0.412851  0.018169
b -0.412851  1.154141  0.305260
c  0.018169  0.305260  1.301149
In [14]: frame.cov(min_periods=12)
Out[14]: 
      a     b     c
a  1.123670     NaN  0.018169
b     NaN  1.154141  0.305260
c  0.018169  0.305260  1.301149

Correlation相关系数　　corr() 方法可以用来计算相关系数。有三种相关系数的计算方法：
方法名描述pearson (default)标准相关系数kendallKendall Tau相关系数spearman斯皮尔曼等级相关系数

n [15]: frame = pd.DataFrame(np.random.randn(1000, 5), columns=["a", "b", "c", "d", "e"])
In [16]: frame.iloc[::2] = np.nan
# Series with Series
In [17]: frame["a"].corr(frame["b"])
Out[17]: 0.013479040400098775
In [18]: frame["a"].corr(frame["b"], method="spearman")
Out[18]: -0.007289885159540637
# Pairwise correlation of DataFrame columns
In [19]: frame.corr()
Out[19]: 
      a     b     c     d     e
a  1.000000  0.013479 -0.049269 -0.042239 -0.028525
b  0.013479  1.000000 -0.020433 -0.011139  0.005654
c -0.049269 -0.020433  1.000000  0.018587 -0.054269
d -0.042239 -0.011139  0.018587  1.000000 -0.017060
e -0.028525  0.005654 -0.054269 -0.017060  1.000000

　　corr同样也支持 min_periods ：

In [20]: frame = pd.DataFrame(np.random.randn(20, 3), columns=["a", "b", "c"])
In [21]: frame.loc[frame.index[:5], "a"] = np.nan
In [22]: frame.loc[frame.index[5:10], "b"] = np.nan
In [23]: frame.corr()
Out[23]: 
      a     b     c
a  1.000000 -0.121111  0.069544
b -0.121111  1.000000  0.051742
c  0.069544  0.051742  1.000000
In [24]: frame.corr(min_periods=12)
Out[24]: 
      a     b     c
a  1.000000     NaN  0.069544
b     NaN  1.000000  0.051742
c  0.069544  0.051742  1.000000

　　corrwith 可以计算不同DF间的相关系数。

In [27]: index = ["a", "b", "c", "d", "e"]
In [28]: columns = ["one", "two", "three", "four"]
In [29]: df1 = pd.DataFrame(np.random.randn(5, 4), index=index, columns=columns)
In [30]: df2 = pd.DataFrame(np.random.randn(4, 4), index=index[:4], columns=columns)
In [31]: df1.corrwith(df2)
Out[31]: 
one   -0.125501
two   -0.493244
three  0.344056
four   0.004183
dtype: float64
In [32]: df2.corrwith(df1, axis=1)
Out[32]: 
a   -0.675817
b  0.458296
c  0.190809
d   -0.186275
e     NaN
dtype: float64

rank等级　　rank方法可以对Series中的数据进行排列等级。什么叫等级呢？ 我们举个例子：

s = pd.Series(np.random.randn(5), index=list("abcde"))
s
Out[51]: 
a  0.336259
b  1.073116
c   -0.402291
d  0.624186
e   -0.422478
dtype: float64
s["d"] = s["b"]  # so there's a tie
s
Out[53]: 
a  0.336259
b  1.073116
c   -0.402291
d  1.073116
e   -0.422478
dtype: float64
s.rank()
Out[54]: 
a  3.0
b  4.5
c  2.0
d  4.5
e  1.0
dtype: float64

　　上面我们创建了一个Series，里面的数据从小到大排序 ：

-0.422478 < -0.402291 <  0.336259 <  1.073116 < 1.073116

　　所以相应的rank就是 1 ， 2 ，3 ，4 ， 5.
　　因为我们有两个值是相同的，默认情况下会取两者的平均值，也就是 4.5.
　　除了 default_rank ， 还可以指定max_rank ，这样每个值都是最大的5 。
　　还可以指定 NA_bottom ， 表示对于NaN的数据也用来计算rank，并且会放在最底部，也就是最大值。
　　还可以指定 pct_rank ， rank值是一个百分比值。

df = pd.DataFrame(data={'Animal': ['cat', 'penguin', 'dog',
...                  'spider', 'snake'],
...             'Number_legs': [4, 2, 4, 8, np.nan]})
>>> df
  Animal  Number_legs
0    cat      4.0
1  penguin      2.0
2    dog      4.0
3   spider      8.0
4  snake      NaN

df['default_rank'] = df['Number_legs'].rank()
>>> df['max_rank'] = df['Number_legs'].rank(method='max')
>>> df['NA_bottom'] = df['Number_legs'].rank(na_option='bottom')
>>> df['pct_rank'] = df['Number_legs'].rank(pct=True)
>>> df
  Animal  Number_legs  default_rank  max_rank  NA_bottom  pct_rank
0    cat      4.0       2.5     3.0    2.5   0.625
1  penguin      2.0       1.0     1.0    1.0   0.250
2    dog      4.0       2.5     3.0    2.5   0.625
3   spider      8.0       4.0     4.0    4.0   1.000
4  snake      NaN       NaN     NaN    5.0     NaN

　　rank还可以指定按行 (axis=0) 或者 按列 (axis=1)来计算。

In [36]: df = pd.DataFrame(np.random.randn(10, 6))
In [37]: df[4] = df[2][:5]  # some ties
In [38]: df
Out[38]: 
      0     1     2     3     4     5
0 -0.904948 -1.163537 -1.457187  0.135463 -1.457187  0.294650
1 -0.976288 -0.244652 -0.748406 -0.999601 -0.748406 -0.800809
2  0.401965  1.460840  1.256057  1.308127  1.256057  0.876004
3  0.205954  0.369552 -0.669304  0.038378 -0.669304  1.140296
4 -0.477586 -0.730705 -1.129149 -0.601463 -1.129149 -0.211196
5 -1.092970 -0.689246  0.908114  0.204848     NaN  0.463347
6  0.376892  0.959292  0.095572 -0.593740     NaN -0.069180
7 -1.002601  1.957794 -0.120708  0.094214     NaN -1.467422
8 -0.547231  0.664402 -0.519424 -0.073254     NaN -1.263544
9 -0.250277 -0.237428 -1.056443  0.419477     NaN  1.375064
In [39]: df.rank(1)
Out[39]: 
   0  1  2  3  4  5
0  4.0  3.0  1.5  5.0  1.5  6.0
1  2.0  6.0  4.5  1.0  4.5  3.0
2  1.0  6.0  3.5  5.0  3.5  2.0
3  4.0  5.0  1.5  3.0  1.5  6.0
4  5.0  3.0  1.5  4.0  1.5  6.0
5  1.0  2.0  5.0  3.0  NaN  4.0
6  4.0  5.0  3.0  1.0  NaN  2.0
7  2.0  5.0  3.0  4.0  NaN  1.0
8  2.0  5.0  3.0  4.0  NaN  1.0
9  2.0  3.0  1.0  4.0  NaN  5.0

　　本文已收录于 http://www.flydean.com/10-python-pandas-statistical/
　　最通俗的解读，最深刻的干货，最简洁的教程，众多你不知道的小技巧等你来发现！