Python酷库之旅-第三方库Pandas(113)

news2024/11/14 20:36:48

目录

一、用法精讲

496、pandas.DataFrame.kurtosis方法

496-1、语法

496-2、参数

496-3、功能

496-4、返回值

496-5、说明

496-6、用法

496-6-1、数据准备

496-6-2、代码示例

496-6-3、结果输出

497、pandas.DataFrame.max方法

497-1、语法

497-2、参数

497-3、功能

497-4、返回值

497-5、说明

497-6、用法

497-6-1、数据准备

497-6-2、代码示例

497-6-3、结果输出

498、pandas.DataFrame.mean方法

498-1、语法

498-2、参数

498-3、功能

498-4、返回值

498-5、说明

498-6、用法

498-6-1、数据准备

498-6-2、代码示例

498-6-3、结果输出

499、pandas.DataFrame.median方法

499-1、语法

499-2、参数

499-3、功能

499-4、返回值

499-5、说明

499-6、用法

499-6-1、数据准备

499-6-2、代码示例

499-6-3、结果输出

500、pandas.DataFrame.min方法

500-1、语法

500-2、参数

500-3、功能

500-4、返回值

500-5、说明

500-6、用法

500-6-1、数据准备

500-6-2、代码示例

500-6-3、结果输出

二、推荐阅读

1、Python筑基之旅

2、Python函数之旅

3、Python算法之旅

4、Python魔法之旅

5、博客个人主页

一、用法精讲

496、pandas.DataFrame.kurtosis方法
496-1、语法
# 496、pandas.DataFrame.kurtosis方法
pandas.DataFrame.kurtosis(axis=0, skipna=True, numeric_only=False, **kwargs)
Return unbiased kurtosis over requested axis.

Kurtosis obtained using Fisher’s definition of kurtosis (kurtosis of normal == 0.0). Normalized by N-1.

Parameters:
axis{index (0), columns (1)}
Axis for the function to be applied on. For Series this parameter is unused and defaults to 0.

For DataFrames, specifying axis=None will apply the aggregation across both axes.

New in version 2.0.0.

skipnabool, default True
Exclude NA/null values when computing the result.

numeric_onlybool, default False
Include only float, int, boolean columns. Not implemented for Series.

**kwargs
Additional keyword arguments to be passed to the function.

Returns:
Series or scalar.
496-2、参数

496-2-1、axis(可选，默认值为0)：{0或'index', 1或'columns'}，0或'index'，在行的方向上进行操作(即计算每一列的峭度)；1或'columns'，在列的方向上进行操作(即计算每一行的峭度)。

496-2-2、skipna(可选，默认值为True)：布尔值，是否跳过缺失值(NaN)，如果为False，且存在NaN，则返回NaN。

496-2-3、numeric_only(可选，默认值为False)：布尔值，如果为True，仅计算数值类型的列(或行)。

496-2-4、**kwargs(可选)：其他关键字参数，可以传递给计算峭度的底层方法。

496-3、功能

        用于计算数据框中每一列或每一行的峭度(kurtosis)，峭度是描述数据分布形状的一个统计量，表示峰度的程度。

496-4、返回值

        返回一个Series，包含每列(或每行)的峭度值。

496-5、说明

        无

496-6、用法
496-6-1、数据准备
无
496-6-2、代码示例
# 496、pandas.DataFrame.kurtosis方法
import pandas as pd
# 创建一个示例数据框
data = {
    'A': [1, 2, 3, 4, 5],
    'B': [5, 6, 7, 8, 9],
    'C': [5, 5, 5, None, 5]
}
df = pd.DataFrame(data)
# 计算每列的峭度
kurtosis_result = df.kurtosis(axis=0)
print(kurtosis_result)
496-6-3、结果输出
# 496、pandas.DataFrame.kurtosis方法
# A   -1.2
# B   -1.2
# C    0.0
# dtype: float64
497、pandas.DataFrame.max方法
497-1、语法
# 497、pandas.DataFrame.max方法
pandas.DataFrame.max(axis=0, skipna=True, numeric_only=False, **kwargs)
Return the maximum of the values over the requested axis.

If you want the index of the maximum, use idxmax. This is the equivalent of the numpy.ndarray method argmax.

Parameters:
axis{index (0), columns (1)}
Axis for the function to be applied on. For Series this parameter is unused and defaults to 0.

For DataFrames, specifying axis=None will apply the aggregation across both axes.

New in version 2.0.0.

skipnabool, default True
Exclude NA/null values when computing the result.

numeric_onlybool, default False
Include only float, int, boolean columns. Not implemented for Series.

**kwargs
Additional keyword arguments to be passed to the function.

Returns:
Series or scalar.
497-2、参数

497-2-1、axis(可选，默认值为0)：{0或'index', 1或'columns'}，0或'index'，在行的方向上进行操作，计算每一列的最大值；1或'columns'，在列的方向上进行操作，计算每一行的最大值。

497-2-2、skipna(可选，默认值为True)：布尔值，是否跳过缺失值(NaN)，如果为True，缺失值将被忽略，计算时不包括这些值；如果为False，且包含NaN，则结果为NaN。

497-2-3、numeric_only(可选，默认值为False)：布尔值，如果为True，仅计算数值类型的列(或行)；如果为False，所有类型的列(或行)都会被考虑。

497-2-4、**kwargs(可选)：其他关键字参数，可以传递给底层的方法。

497-3、功能

        用于计算数据框中每一列或每一行的最大值，该方法可以处理包含缺失值的情况，并允许用户选择如何操作数据。

497-4、返回值

        返回每列或每行的最大值，结果为一个Series。

497-5、说明

        无

497-6、用法
497-6-1、数据准备
无
497-6-2、代码示例
# 497、pandas.DataFrame.max方法
import pandas as pd
# 创建一个示例数据框
data = {
    'A': [1, 2, 3, 4, 5],
    'B': [5, 6, 7, 8, None],
    'C': [2, 4, None, 8, 10]
}
df = pd.DataFrame(data)
# 计算每列的最大值
max_values = df.max(axis=0)
print(max_values)
# 计算每行的最大值
max_values_rows = df.max(axis=1)
print(max_values_rows)
497-6-3、结果输出
# 497、pandas.DataFrame.max方法
# A     5.0
# B     8.0
# C    10.0
# dtype: float64
# 0     5.0
# 1     6.0
# 2     7.0
# 3     8.0
# 4    10.0
# dtype: float64
498、pandas.DataFrame.mean方法
498-1、语法
# 498、pandas.DataFrame.mean方法
pandas.DataFrame.mean(axis=0, skipna=True, numeric_only=False, **kwargs)
Return the mean of the values over the requested axis.

Parameters:
axis{index (0), columns (1)}
Axis for the function to be applied on. For Series this parameter is unused and defaults to 0.

For DataFrames, specifying axis=None will apply the aggregation across both axes.

New in version 2.0.0.

skipnabool, default True
Exclude NA/null values when computing the result.

numeric_onlybool, default False
Include only float, int, boolean columns. Not implemented for Series.

**kwargs
Additional keyword arguments to be passed to the function.

Returns:
Series or scalar.
498-2、参数

498-2-1、axis(可选，默认值为0)：{0或'index', 1或'columns'}，0或'index'，在行的方向上进行操作，计算每一列的均值；1或'columns'，在列的方向上进行操作，计算每一行的均值。

498-2-2、skipna(可选，默认值为True)：布尔值，是否跳过缺失值(NaN)，如果为True，缺失值将被忽略，计算时不包括这些值；如果为False，且包含NaN，则结果为NaN。

498-2-3、numeric_only(可选，默认值为False)：布尔值，如果为True，仅计算数值类型的列(或行)；如果为False，所有类型的列(或行)都会被考虑。

498-2-4、**kwargs(可选)：其他关键字参数，可以传递给底层的方法。

498-3、功能

        用于计算数据框中每一列或每一行的均值，它对于处理缺失值有灵活的选项，允许用户选择计算方式。

498-4、返回值

        返回每列或每行的均值，结果为一个Series。

498-5、说明

        无

498-6、用法
498-6-1、数据准备
无
498-6-2、代码示例
# 498、pandas.DataFrame.mean方法
import pandas as pd
# 创建一个示例数据框
data = {
    'A': [1, 2, 3, 4, 5],
    'B': [5, 6, 7, None, 9],
    'C': [2, 4, None, 8, 10]
}
df = pd.DataFrame(data)
# 计算每列的均值
mean_values = df.mean(axis=0)
print(mean_values)
# 计算每行的均值
mean_values_rows = df.mean(axis=1)
print(mean_values_rows)
498-6-3、结果输出
# 498、pandas.DataFrame.mean方法
# A    3.00
# B    6.75
# C    6.00
# dtype: float64
# 0    2.666667
# 1    4.000000
# 2    5.000000
# 3    6.000000
# 4    8.000000
# dtype: float64
499、pandas.DataFrame.median方法
499-1、语法
# 499、pandas.DataFrame.median方法
pandas.DataFrame.median(axis=0, skipna=True, numeric_only=False, **kwargs)
Return the median of the values over the requested axis.

Parameters:
axis{index (0), columns (1)}
Axis for the function to be applied on. For Series this parameter is unused and defaults to 0.

For DataFrames, specifying axis=None will apply the aggregation across both axes.

New in version 2.0.0.

skipnabool, default True
Exclude NA/null values when computing the result.

numeric_onlybool, default False
Include only float, int, boolean columns. Not implemented for Series.

**kwargs
Additional keyword arguments to be passed to the function.

Returns:
Series or scalar.
499-2、参数

499-2-1、axis(可选，默认值为0)：{0或'index', 1或'columns'}，0或'index'，在行的方向上进行操作，计算每一列的中位数；1或'columns'，在列的方向上进行操作，计算每一行的中位数。

499-2-2、skipna(可选，默认值为True)：布尔值，是否跳过缺失值(NaN)，如果为True，缺失值将被忽略，计算时不包括这些值；如果为False，且包含NaN，则结果为NaN。

499-2-3、numeric_only(可选，默认值为False)：布尔值，如果为True，仅计算数值类型的列(或行)；如果为False，所有类型的列(或行)都会被考虑。

499-2-4、**kwargs(可选)：其他关键字参数，可以传递给底层的方法。

499-3、功能

        用于计算数据框中每一列或每一行的中位数，它在处理缺失值时提供了灵活性。

499-4、返回值

        返回每列或每行的中位数，结果为一个Series。

499-5、说明

        无

499-6、用法
499-6-1、数据准备
无
499-6-2、代码示例
# 499、pandas.DataFrame.median方法
import pandas as pd
# 创建一个示例数据框
data = {
    'A': [1, 2, 3, 4, 5],
    'B': [5, 6, 7, None, 9],
    'C': [2, 4, None, 8, 10]
}
df = pd.DataFrame(data)
# 计算每列的中位数
median_values = df.median(axis=0)
print(median_values)
# 计算每行的中位数
median_values_rows = df.median(axis=1)
print(median_values_rows)
499-6-3、结果输出
# 499、pandas.DataFrame.median方法
# A    3.0
# B    6.5
# C    6.0
# dtype: float64
# 0    2.0
# 1    4.0
# 2    5.0
# 3    6.0
# 4    9.0
# dtype: float64
500、pandas.DataFrame.min方法
500-1、语法
# 500、pandas.DataFrame.min方法
pandas.DataFrame.min(axis=0, skipna=True, numeric_only=False, **kwargs)
Return the minimum of the values over the requested axis.

If you want the index of the minimum, use idxmin. This is the equivalent of the numpy.ndarray method argmin.

Parameters:
axis{index (0), columns (1)}
Axis for the function to be applied on. For Series this parameter is unused and defaults to 0.

For DataFrames, specifying axis=None will apply the aggregation across both axes.

New in version 2.0.0.

skipnabool, default True
Exclude NA/null values when computing the result.

numeric_onlybool, default False
Include only float, int, boolean columns. Not implemented for Series.

**kwargs
Additional keyword arguments to be passed to the function.

Returns:
Series or scalar.
500-2、参数

500-2-1、axis(可选，默认值为0)：{0或'index', 1或'columns'}，0或'index'，在行的方向上进行操作，计算每一列的最小值；1或'columns'，在列的方向上进行操作，计算每一行的最小值。

500-2-2、skipna(可选，默认值为True)：布尔值，是否跳过缺失值(NaN)，如果为True，缺失值将被忽略，计算时不包括这些值；如果为False，且包含NaN，则结果为NaN。

500-2-3、numeric_only(可选，默认值为False)：布尔值，如果为True，仅计算数值类型的列(或行)；如果为False，所有类型的列(或行)都会被考虑。

500-2-4、**kwargs(可选)：其他关键字参数，可以传递给底层的方法。

500-3、功能

        用于计算数据框中每一列或每一行的最小值。

500-4、返回值

        返回每列或每行的最小值，结果为一个Series。

500-5、说明

        无

500-6、用法
500-6-1、数据准备
无
500-6-2、代码示例
# 500、pandas.DataFrame.min方法
import pandas as pd
# 创建一个示例数据框
data = {
    'A': [1, 2, 3, 4, 5],
    'B': [5, 6, 7, None, 9],
    'C': [2, 4, None, 8, 10]
}
df = pd.DataFrame(data)
# 计算每列的最小值
min_values = df.min(axis=0)
print("每列的最小值：\n", min_values)
# 计算每行的最小值
min_values_rows = df.min(axis=1)
print("每行的最小值：\n", min_values_rows)
500-6-3、结果输出
# 500、pandas.DataFrame.min方法
# 每列的最小值：
#  A    1.0
# B    5.0
# C    2.0
# dtype: float64
# 每行的最小值：
#  0    1.0
# 1    2.0
# 2    3.0
# 3    4.0
# 4    5.0
# dtype: float64

二、推荐阅读

1、Python筑基之旅
2、Python函数之旅
3、Python算法之旅
4、Python魔法之旅
5、博客个人主页

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.coloradmin.cn/o/2093822.html

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈，一经查实，立即删除！

相关文章

如何从 SD 卡恢复已删除的文件：分步指南

如何从 SD 卡恢复已删除的文件：分步指南

在 SD 卡上查找已删除的文件可能是一项相当艰巨的任务，尤其是当您认为它们已经消失得无影无踪时。然而，希望还是有的！现代技术提供了多种有效的方法来恢复这些文件，无论是照片、文档还是其他类型的数据。使用正确的工具和一点耐心…
阅读更多...
【初出江湖】大白话解释集中式、分布式、微服务的区别？

【初出江湖】大白话解释集中式、分布式、微服务的区别？

目录标题 什么是集中式？什么是分布式？分布式系统的架构一般构成模块分布式的优点分布式的缺点什么是分布式集群？ 什么是微服务？微服务和分布式系统有什么主要区别？微服务架构与分布式系统在开发过程中有何不同&#xf…
阅读更多...
嵌入式：Arm v7-M指令集架构中的字节序（大小端）

嵌入式：Arm v7-M指令集架构中的字节序（大小端）

相关阅读 嵌入式https://blog.csdn.net/weixin_45791458/category_12768532.html?spm1001.2014.3001.5482 本文来源于博主无意之中的一个发现，虽然之前就知道Cortex-M3默认为小端模式，但是偶然发现了一些出乎意料的情况。 首先来看看Arm v7-M指令集架构…
阅读更多...
【MarkDown】表格的对齐方法

【MarkDown】表格的对齐方法

MarkDown中表格的对齐方法 说明格式化对齐举例 摘要： 1.本文介绍了MarkDown语法中，插入表格后，表格的对齐方法 2.在CSDN写博客时，要经常用的功能，务必掌握这个小技巧 说明 在Markdown中创建表格，基本结构由…
阅读更多...
奇偶校验、crc循环冗余检验

奇偶校验、crc循环冗余检验

数据链路层 链路 从一个结点到相邻结点的一段物理线路，而中间没有任何其他的交换点 数据链路 是指把实现通信协议的硬件和软件加到链路上 帧 在数据链路上传输的数据包，称之为帧 数据链路层是以帧为单位进行传输和处理数据的 数据链路层的三个重…
阅读更多...
用Springboot(java程序)访问Salesforce RestAPI（通过JWT认证）

用Springboot(java程序)访问Salesforce RestAPI（通过JWT认证）

外部系统想访问Salesforce的数据，发Rest请求，必须需要Salesforce的AccessToken。那么为了得到这个AccessToken，Salesforce有几种方式可供选择。 一种就是用户名密码认证方式（之前的文章介绍过通过java代码访问Salesforce），一种就是JWT认证方式。当然还有其他方式，之后有…
阅读更多...
利用Streamlit前端框架开发Stable Diffusion模型图像生成网页应用（下篇）

利用Streamlit前端框架开发Stable Diffusion模型图像生成网页应用（下篇）

今天介绍亚马逊云科技推出的国际前沿人工智能模型平台Amazon Bedrock上的Stability Diffusion模型开发生成式AI图像生成应用！本系列共有3篇，在上篇中我们学习了如何在亚马逊云科技控制台上体验该模型的每个特色功能，如文生图、图生图、图像修…
阅读更多...
认知杂谈41

认知杂谈41

今天分享 有人说的一段争议性的话 I I 贫富根源在观念 I 你知道不？穷人穷啊，好多时候是因为他们自己还有家里好几代人呢，都陷在一种不对的想法里出不来，还觉得这样挺好，就一直这么过下去了。可富人的那些想法呢&am…
阅读更多...
借老系统重构机会我写了个groovy规则引擎

借老系统重构机会我写了个groovy规则引擎

公司老系统的重构计划早就有了，为了对Java硬编码的各种校验规则进行重构，特地参考了相关技术，最终选择了groovy进行了系统的学习，并编写了一个即插即用的轻量级规则引擎。 文章目录 项目背景技术选型groovy的性能groovy脚本执行线…
阅读更多...
Scala之父Martin Odersky作序推荐的Scala速学版（第3版）出版

Scala之父Martin Odersky作序推荐的Scala速学版（第3版）出版

Scala 是一个很有吸引力的选择。 Scala 的语法简洁， 跟 Java 的“陈词滥调”比起来让人耳目一 新。它运行在 Java 虚拟机（Java virtual machine ，JVM）上，提供对大量库和工具的访问。并 且，Scala 不仅仅瞄准…
阅读更多...
设计模式之适配器模式：软件世界的桥梁建筑师

设计模式之适配器模式：软件世界的桥梁建筑师

一、什么是适配器模式 适配器模式（Adapter Pattern）是一种结构型设计模式（Structural Pattern），通过将类的接口转换为客户期望的另一个接口，适配器可以让不兼容的两个类一起协同工作。其核心思想是通过一个…
阅读更多...
嵌入式全栈开发学习笔记---Linux系统编程(概述)

嵌入式全栈开发学习笔记---Linux系统编程(概述)

目录 入门级问题 为什么要学习Linux系统？ 为什么Linux系统被嵌入式设备广泛应用？ 系统调用 应用层是什么？ 系统调用和库函数有什么区别？ 为什么在应用层不能直接调用内核中的函数？ 为什么有了系统调用就安全了…
阅读更多...
Linux系统安装MySQL8.0

Linux系统安装MySQL8.0

1.查看Linux发行版 2.安装前准备 2.1.检查是否安装 rpm -qa | grep mysql 2.2.如已安装mysql，则删除 rpm -e --nodeps 包名 2.3.再次检查安装包是否全部删除 rpm -qa | grep mysql 2.4.搜索mysql文件夹 find / -name mysql 2>/dev/null 2.5.若有mysql文件夹&a…
阅读更多...
Golang | Leetcode Golang题解之第388题文件的最长绝对路径

Golang | Leetcode Golang题解之第388题文件的最长绝对路径

题目&#xff1a; 题解&#xff1a; func lengthLongestPath(input string) (ans int) {n : len(input)level : make([]int, n1)for i : 0; i < n; {// 检测当前文件的深度depth : 1for ; i < n && input[i] \t; i {depth}// 统计当前文件名的长度length, isFi…
阅读更多...
Cookie对象的缺陷与应对策略

Cookie对象的缺陷与应对策略

Cookie对象的缺陷与应对策略 1. 安全性问题&#xff1a;Cookie是明文的2. 存储限制&#xff1a;浏览器对Cookie数量和大小有限制3. 性能影响&#xff1a;Cookie携带过多增加网络流量4. 数据类型限制&#xff1a;Cookie的value值只能是字符串 &#x1f496;The Begin&#x1f4…
阅读更多...
82.给定一个已排序的链表的头 head ， 删除原始链表中所有重复数字的节点，只留下不同的数字 。实现返回已排序的链表

82.给定一个已排序的链表的头 head ， 删除原始链表中所有重复数字的节点，只留下不同的数字 。实现返回已排序的链表

删除排序链表中的重复元素 II 一、题目描述 82. 删除排序链表中的重复元素 II 给定一个已排序的链表的头 head ， 删除原始链表中所有重复数字的节点，只留下不同的数字 。返回 已排序的链表 。 示例 1： 输入：head = [1,2,3,3,4,4,5] 输出：[1,2,5] 示例 2： 输入：hea…
阅读更多...
华为云征文｜部署电影收藏管理器 Radarr

华为云征文｜部署电影收藏管理器 Radarr

华为云征文&#xff5c;部署电影收藏管理器 Radarr 一、Flexus云服务器X实例介绍1.1 云服务器介绍1.2 应用场景1.3 核心竞争力 二、Flexus云服务器X实例配置2.1 重置密码2.2 服务器连接2.3 安全组配置 三、部署 Radarr3.1 Radarr 介绍3.2 Docker 环境搭建3.3 Radarr 部署3.4 Ra…
阅读更多...
ubuntu24安装cuda和cudnn

ubuntu24安装cuda和cudnn

一、安装cuda 确保显卡驱动正确安装 终端输入&#xff1a; nvidia-smi显示下面结果&#xff0c;说明显卡驱动安装正常&#xff0c;可以进行下一步 1.去官网下载CUDA&#xff0c;需要注册账号下载 https://developer.nvidia.com/cuda-toolkit-archive由于我们显卡支持12.2&…
阅读更多...
[免越狱]FLEXTool/FLEX 炫酷功能怎么添加到目标App

[免越狱]FLEXTool/FLEX 炫酷功能怎么添加到目标App

原因&#xff1a; 这么炫酷的功能&#xff0c;手机又不想越狱&#xff0c;又想体验一波&#xff0c;于是研究了他源码&#xff0c;实现了功能。 1. 下载源码 https://github.com/FLEXTool/FLEX?tabreadme-ov-filehttps://github.com/FLEXTool/FLEX?tabreadme-ov-file 2. 修…
阅读更多...
TeamTalk消息服务器（未读计数）

TeamTalk消息服务器（未读计数）

信令和协议设计 enum MessageCmdID {// ...... 省略无关逻辑 CID_MSG_UNREAD_CNT_REQUEST 775,CID_MSG_UNREAD_CNT_RESPONSE 776,// ...... 省略无关逻辑 };message IMUnreadMsgCntReq{//cmd id: 0x0307required uint32 user_id 1;optional bytes attach_data 20; }mes…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023