pandas.Series.describe # 系列。描述（百分位数=无，包括=无，排除=无）[来源]＃ 生成描述性统计数据。 描述性统计包括总结数据集分布的集中趋势、分散度和形状的统计（不包括NaN值）。 分析数值系列和对象系列，以及DataFrame混合数据类型的列集。输出将根据所提供的内容而有所不同。请参阅下面的注释了解更多详细信息。 参数： 类似数字的百分位数列表，可选要包含在输出中的百分位数。全部应介于 0 和 1 之间。默认值为 ，它返回第 25 个、第 50 个和第 75 个百分位数。[.25, .5, .75] 包括“全部”，类似数据类型的列表或无（默认），可选要包含在结果中的数据类型白名单。被忽略Series。以下是选项： 'all' ：输入的所有列都将包含在输出中。 类似列表的 dtypes ：将结果限制为提供的数据类型。要将结果限制为数字类型，请提交 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select_dtypes(eg )的形式使用 df.describe(include=['O'])。要选择 pandas 分类列，请使用'category' 无（默认）：结果将包括所有数字列。 排除类似列表的数据类型或无（默认），可选，要从结果中忽略的数据类型黑名单。被忽略Series。以下是选项： 类似列表的 dtypes ：从结果中排除提供的数据类型。要排除数字类型，请提交 numpy.number.要排除对象列，请提交数据类型numpy.object。字符串也可以以select_dtypes(eg )的形式使用 df.describe(exclude=['O'])。要排除 pandas 分类列，请使用'category' None（默认）：结果将不排除任何内容。 返回： 系列或数据框提供的系列或数据框的摘要统计数据。 也可以看看 DataFrame.count计算非 NA/空观察值的数量。 DataFrame.max对象中的最大值。 DataFrame.min对象中值的最小值。 DataFrame.mean值的平均值。 DataFrame.std观测值的标准偏差。 DataFrame.select_dtypesDataFrame 的子集，根据数据类型包括/排除列。 笔记 对于数值数据，结果的索引将包括count、 mean、std、min以及max下百分位数50和上百分位数。默认情况下，下百分位数为25，上百分位数为75。百分50位数与中位数相同。 对于对象数据（例如字符串或时间戳），结果的索引将包括count、unique、top和freq。这top 是最常见的值。这freq是最常见值的频率。时间戳还包括first和last项目。 如果多个对象值具有最高计数，则 count和top结果将从具有最高计数的值中任意选择。 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。如果数据框仅包含对象和分类数据而没有任何数字列，则默认情况下会返回对象和分类列的分析。如果include='all'作为选项提供，结果将包括每种类型的属性的并集。 包含和排除参数可用于限制DataFrame分析 a 中的哪些列以进行输出。分析 时将忽略这些参数Series。 例子 描述一个数字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 描述一个绝对的Series. >>> s = pd.Series(['a', 'a', 'b', 'c']) >>> s.describe() count 4 unique 3 top a freq 2 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 mean 2006-09-01 08:00:00 min 2000-01-01 00:00:00 25% 2004-12-31 12:00:00 50% 2010-01-01 00:00:00 75% 2010-01-01 00:00:00 max 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 max 3.0 描述 a 的所有列，DataFrame无论数据类型如何。 >>> df.describe(include='all') categorical numeric object count 3 3.0 3 unique 3 NaN 3 top f NaN a 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 max NaN 3.0 NaN DataFrame通过将列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 max 3.0 Name: numeric, dtype: float64 描述中仅包含数字列DataFrame。 >>> 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 描述中仅包含字符串列DataFrame。 >>> df.describe(include=[object]) object count 3 unique 3 top a freq 1 仅包括DataFrame描述中的分类列。 >>> df.describe(include=['category']) categorical count 3 unique 3 top d freq 1 从描述中排除数字列DataFrame。 >>> df.describe(exclude=[np.number]) categorical object count 3 3 unique 3 3 top f a freq 1 1 从描述中排除对象列DataFrame。 >>> df.describe(exclude=[object]) 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