当前位置: 首页 > wzjs >正文

建筑公司企业使命和愿景大全百度seo优化网站

建筑公司企业使命和愿景大全,百度seo优化网站,我国做民宿的网站,旅游网站做模板素材1、 count 用于计算 DataFrame 中非 NaN 值的数量。 DataFrame.count(axis0, numeric_onlyFalse) 描述说明axis {0 或 ‘index’, 1 或 ‘columns’},决定统计的方向。 如果 axis0 或 axisindex,则对每列进行计数,返回一个 Series&#xff…

1、 count

        用于计算 DataFrame 中非 NaN 值的数量。

DataFrame.count(axis=0, numeric_only=False)
描述说明
axis

{0 或 ‘index’, 1 或 ‘columns’},决定统计的方向。

如果 axis=0 或 axis='index',则对每列进行计数,返回一个 Series,其 索引为列名,值为每列非 NaN 值的数量。

如果 axis=1 或 axis='columns',则对每行进行计数,返回一个 Series, 其索引为行索引,值为每行非 NaN 值的数量。

numeric_only是否只计算数值列中的非 NaN 值的数量,忽略非数值列,默认 为 False。
import pandas as pd
import numpy as np# 创建一个包含 NaN 值的 DataFrame
df = pd.DataFrame({'A': [1, 2, np.nan, 4],'B': [5, np.nan, np.nan, 8],'C': ['foo', 'bar', 'baz', np.nan]
})print(df)# 计算每列非 NaN 值的数量
count_per_column = df.count()
print("Count per column:")
print(count_per_column)# 计算每行非 NaN 值的数量
count_per_row = df.count(axis=1)
print("\nCount per row:")
print(count_per_row)# 只计算数值列的非 NaN 值的数量
count_numeric_only = df.count(numeric_only=True)
print("\nCount numeric only:")
print(count_numeric_only)
     A    B    C
0  1.0  5.0  foo
1  2.0  NaN  bar
2  NaN  NaN  baz
3  4.0  8.0  NaN
Count per column:
A    3
B    2
C    3
dtype: int64Count per row:
0    3
1    2
2    1
3    2
dtype: int64Count numeric only:
A    3
B    2
dtype: int64

2、 sum

        用于计算 DataFrame 中数值的总和。

DataFrame.sum(axis=0, skipna=True, numeric_only=False, min_count=0, **kwargs)
描述说明
axis

{0 或 ‘index’, 1 或 ‘columns’, None}, 默认为 0。这个参数决定了求和是在 哪个轴上进行:

如果 axis=0 或 axis='index',则对每列进行求和,返回一个 Series,其 索引为列名,值为每列的总和。

如果 axis=1 或 axis='columns',则对每行进行求和,返回一个 Series, 其索引为行索引,值为每行的总和。

skipna布尔值,默认为 True。如果为 True,则在计算总和时会忽略 NaN 值。
numeric_only布尔值,默认为 False。如果为 True,则只对数值列进行求和, 忽略非数值列。
min_count默认为 0。这个参数指定了在计算总和之前,至少需要非 NaN 值的最小数量。如果某个分组中的非 NaN 值的数量小于 min_count,则结果为 NaN。
**kwargs其他关键字参数。这些参数通常用于兼容性或特殊用途,通常不需 要。
import pandas as pd
import numpy as np# 创建一个包含 NaN 值的 DataFrame
df = pd.DataFrame({'A': [1, 2, np.nan, 4],'B': [5, np.nan, np.nan, 8],'C': ['foo', 'bar', 'baz', 'qux']
})print(df)# 计算每列的总和
sum_per_column = df.sum()
print("Sum per column:")
print(sum_per_column)# 只计算数值列的总和
sum_numeric_only = df.sum(numeric_only=True)
print("\nSum numeric only:")
print(sum_numeric_only)# 使用 min_count 参数
sum_with_min_count = df.sum(min_count=3)
print("\nSum with min_count=2:")
print(sum_with_min_count)
     A    B    C
0  1.0  5.0  foo
1  2.0  NaN  bar
2  NaN  NaN  baz
3  4.0  8.0  qux
Sum per column:
A             7.0
B            13.0
C    foobarbazqux
dtype: objectSum numeric only:
A     7.0
B    13.0
dtype: float64Sum with min_count=2:
A             7.0
B             NaN
C    foobarbazqux
dtype: object

3、 mean

        用于计算 DataFrame 中数值的平均值。

DataFrame.mean(axis=0, skipna=True, numeric_only=False, **kwargs)
描述说明
axis

{0 或 ‘index’, 1 或 ‘columns’, None}, 默认为 0。这个参数决定了计算平均 值是在哪个轴上进行:

如果 axis=0 或 axis='index',则对每列进行计算,返回一个 Series,其 索引为列名,值为每列的平均值。

如果 axis=1 或 axis='columns',则对每行进行计算,返回一个 Series, 其索引为行索引,值为每行的平均值。

skipna布尔值,默认为 True。如果为 True,则在计算平均值时会忽略 NaN 值。
numeric_only布尔值,默认为 False。如果为 True,则只对数值列进行计算, 忽略非数值列。
**kwargs其他关键字参数。这些参数通常用于兼容性或特殊用途,通常不需 要。
import pandas as pd
import numpy as np
df = pd.DataFrame({'A': [1, 2, 3, 4],'B': [5, 6, 7, 8],
})
sum_per_column = df.mean()
print("mean per column:")
print(sum_per_column)
mean per column:
A    2.5
B    6.5
dtype: float64

4、 median

        用于计算 DataFrame 中数值的中位数。

DataFrame.median(axis=0, skipna=True, numeric_only=False, **kwargs)
描述说明
axis

{0 或 ‘index’, 1 或 ‘columns’, None}, 默认为 0。这个参数决定了计算中位数是在哪个轴上进行:

如果 axis=0 或 axis='index',则对每列进行计算,返回一个 Series,其 索引为列名,值为每列的中位数。

如果 axis=1 或 axis='columns',则对每行进行计算,返回一个 Series, 其索引为行索引,值为每行的中位数。

skipna布尔值,默认为 True。如果为 True,则在计算中位数时会忽略 NaN 值。
numeric_only布尔值,默认为 False。如果为 True,则只对数值列进行计算, 忽略非数值列。
**kwargs其他关键字参数。这些参数通常用于兼容性或特殊用途,通常不需 要。
import pandas as pd
import numpy as np
df = pd.DataFrame({'A': [1, 2, 3, 4],'B': [5, 6, 7, 8],
})
sum_per_column = df.median()
print("median per column:")
print(sum_per_column)
mean per column:
A    2.5
B    6.5
dtype: float64

5、 min

        用于计算 DataFrame 中数值的最小值。

DataFrame.min(axis=0, skipna=True, numeric_only=False, **kwargs)
描述说明
axis

{0 或 ‘index’, 1 或 ‘columns’, None}, 默认为 0。这个参数决定了计算最小值是在哪个轴上进行:

如果 axis=0 或 axis='index',则对每列进行计算,返回一个 Series,其 索引为列名,值为每列的最小值。

如果 axis=1 或 axis='columns',则对每行进行计算,返回一个 Series, 其索引为行索引,值为每行的最小值。

skipna布尔值,默认为 True。如果为 True,则在计算最小值时会忽略 NaN 值。
numeric_only布尔值,默认为 False。如果为 True,则只对数值列进行计算, 忽略非数值列。
**kwargs其他关键字参数。这些参数通常用于兼容性或特殊用途,通常不需 要。
import pandas as pd
import numpy as np
df = pd.DataFrame({'A': [1, 2, 3, 4],'B': [5, 6, 7, 8],
})
sum_per_column = df.min()
print("min per column:")
print(sum_per_column)
min per column:
A    1
B    5
dtype: int64

6、 max

        用于计算 DataFrame 中数值的最大值。

DataFrame.max(axis=0, skipna=True, numeric_only=False, **kwargs)
描述说明
axis

{0 或 ‘index’, 1 或 ‘columns’, None}, 默认为 0。这个参数决定了计算最大值是在哪个轴上进行:

如果 axis=0 或 axis='index',则对每列进行计算,返回一个 Series,其 索引为列名,值为每列的最大值。

如果 axis=1 或 axis='columns',则对每行进行计算,返回一个 Series, 其索引为行索引,值为每行的最大值。

skipna布尔值,默认为 True。如果为 True,则在计算最大值时会忽略 NaN 值。
numeric_only布尔值,默认为 False。如果为 True,则只对数值列进行计算, 忽略非数值列。
**kwargs其他关键字参数。这些参数通常用于兼容性或特殊用途,通常不需 要。
import pandas as pd
import numpy as np
df = pd.DataFrame({'A': [1, 2, 3, 4],'B': [5, 6, 7, 8],
})
sum_per_column = df.max()
print("max per column:")
print(sum_per_column)
max per column:
A    4
B    8
dtype: int64

7 、var

        用于计算 DataFrame 中数值的方差。

DataFrame.var(axis=0, skipna=True, ddof=1, numeric_only=False, **kwargs)
描述说明
axis

{0 或 ‘index’, 1 或 ‘columns’, None}, 默认为 0。这个参数决定了计算方差是在哪个轴上进行:

如果 axis=0 或 axis='index',则对每列进行计算,返回一个 Series,其 索引为列名,值为每列的方差。

如果 axis=1 或 axis='columns',则对每行进行计算,返回一个 Series, 其索引为行索引,值为每行的方差。

skipna布尔值,默认为 True。如果为 True,则在计算方差时会忽略 NaN 值。
ddof整数,默认为 1。Delta Degrees of Freedom,计算样本方差时使用的无 偏估计的自由度修正。对于整个群体的方差, ddof 应该设置为 0。
numeric_only布尔值,默认为 False。如果为 True,则只对数值列进行计算, 忽略非数值列。
**kwargs其他关键字参数。这些参数通常用于兼容性或特殊用途,通常不需 要。
import pandas as pd
import numpy as np
df = pd.DataFrame({'A': [1, 2, 3, 4],'B': [5, 6, 7, 8],
})
sum_per_column = df.var()
print("var per column:")
print(sum_per_column)
var per column:
A    1.666667
B    1.666667
dtype: float64

 

http://www.dtcms.com/wzjs/103633.html

相关文章:

  • 做动态网站必学seo规范培训
  • 网站建设模板报价seo流量增加软件
  • 做动图的网站36优化大师下载安装
  • 互联网营销的方法有哪些优化网站找哪家
  • 厦门市建设工程安全质量协会网站百度收录最新方法
  • 温岭手机网站建设全国最好网络优化公司
  • 网站建设项目描述范文推56论坛
  • wordpress邮件客户端专业seo整站优化
  • 如何上传网站企业网络推广的方法有哪些
  • 可以拔下来做的网站吗百度推广运营怎么做
  • wordpress如何发布文件seo技术外包公司
  • 苏州网站建设外贸如何营销推广
  • 怎么做徐州市环保局网站备案表网络最有效的推广方法
  • 网站建设费一般摊销几年做公司网站
  • 新闻网站建设评比规则搜索引擎网站入口
  • 最好用的网站推广经验百度霸屏推广一般多少钱
  • 做网站做小程序推广外链免费发布平台
  • 网站安全检测官网google play下载官方版
  • 网站备案证图片百家号关键词排名优化
  • 做外贸推广哪个网站好百度指数平台官网
  • 企业网站轮播图网络营销毕业论文8000字
  • 怎样在网站是做宣传百度推广费用一年多少钱
  • 手机评测网站百度推广开户费用
  • 上海建设电动车官方网站西安网站优化
  • 丹东做网站企业营销策划论文
  • 如何在外管局网站做延期收汇优化网哪个牌子好
  • 公司网站维护一般需要做什么佛山百度推广电话
  • 家装网站建设哪家好点免费seo网站优化
  • 学习网站二次开发百度大数据
  • 招商计划书模板ppt中山seo