丹东电信网站备案网架制造厂

Pandas2.2 DataFrame

Computations descriptive stats

方法	描述
DataFrame.abs()	用于返回 DataFrame 中每个元素的绝对值
DataFrame.all([axis, bool_only, skipna])	用于判断 DataFrame 中是否所有元素在指定轴上都为 True
DataFrame.any(*[, axis, bool_only, skipna])	用于判断 DataFrame 中是否至少有一个元素在指定轴上为 True
DataFrame.clip([lower, upper, axis, inplace])	用于截断（限制）DataFrame 中的数值
DataFrame.corr([method, min_periods, …])	用于计算 DataFrame 中各列之间的相关系数矩阵（Correlation Matrix）
DataFrame.corrwith(other[, axis, drop, …])	用于计算当前 DataFrame 的每一列（或行）与另一个 Series 或 DataFrame 中对应列的相关系数
DataFrame.count([axis, numeric_only])	用于统计 DataFrame 中每列或每行的非空（非 NaN）元素数量
DataFrame.cov([min_periods, ddof, numeric_only])	用于计算 DataFrame 中每对列之间的协方差
DataFrame.cummax([axis, skipna])	用于计算 DataFrame 中每列或每行的累计最大值（cumulative maximum）
DataFrame.cummin([axis, skipna])	用于计算 DataFrame 中每列或每行的累计最小值（cumulative minimum）
DataFrame.cumprod([axis, skipna])	用于计算 DataFrame 中每列或每行的累计乘积（cumulative product）
DataFrame.cumsum([axis, skipna])	用于计算 DataFrame 中每列或每行的累计和（cumulative sum）
DataFrame.describe([percentiles, include, …])	用于快速生成数据集的统计摘要（summary statistics）
DataFrame.diff([periods, axis])	用于计算 DataFrame 中相邻行或列之间的差值（差分）
DataFrame.eval(expr, *[, inplace])	用于在 DataFrame 上下文中高效地执行字符串形式的表达式运算
DataFrame.kurt([axis, skipna, numeric_only])	用于计算 DataFrame 中每列或每行的峰度（Kurtosis）
DataFrame.kurtosis([axis, skipna, numeric_only])	用于计算 DataFrame 中每列或每行的峰度（Kurtosis）
DataFrame.max([axis, skipna, numeric_only])	用于计算 DataFrame 中每列或每行的最大值（maximum）
DataFrame.mean([axis, skipna, numeric_only])	用于计算 DataFrame 中每列或每行的平均值（mean）
DataFrame.median([axis, skipna, numeric_only])	用于计算 DataFrame 中每列或每行的中位数（median）
DataFrame.min([axis, skipna, numeric_only])	用于计算 DataFrame 中每列或每行的最小值（minimum）
DataFrame.mode([axis, numeric_only, dropna])	用于查找 众数（出现频率最高的值） 的方法
DataFrame.pct_change([periods, fill_method, …])	用于计算 百分比变化 的方法
DataFrame.prod([axis, skipna, numeric_only, …])	用于计算 每列或每行元素的乘积 的方法
DataFrame.product([axis, skipna, …])	用于计算 DataFrame 中每列或每行所有元素的乘积
DataFrame.quantile([q, axis, numeric_only, …])	用于计算 分位数（Quantiles） 的方法
DataFrame.rank([axis, method, numeric_only, …])	用于计算 DataFrame 中每列或每行元素的排名（rank）
DataFrame.round([decimals])	用于对 DataFrame 中的数值进行四舍五入

pandas.DataFrame.round()

pandas.DataFrame.round() 方法用于对 DataFrame 中的数值进行四舍五入，可以指定小数位数或对特定列进行不同的精度设置。该方法常用于数据展示、结果格式化等场景。

---

📌 方法签名：

DataFrame.round(decimals=0)

---

🧾 参数说明：

参数	类型	默认值	描述
decimals	int 或 dict-like（如 Series、dict）	0	指定要保留的小数位数： - 如果是整数，则所有列都使用相同的精度 - 如果是字典或 Series，可以为每列指定不同的小数位数

---

📊 返回值

• 返回一个新的 DataFrame，其中每个元素被四舍五入到指定的小数位数。
• 非数值列会被自动忽略。
• NaN 值保持不变。

---

✅ 示例及结果

示例数据：

import pandas as pddf = pd.DataFrame({'A': [1.234, 2.567, 3.789],'B': [10.111, 20.222, 30.333],'C': [100.444, 200.555, 300.666],'D': ['text', 4.567, 5.678]  # 包含非数值类型
})

输出原始数据：

       A        B        C      D
0  1.234   10.111  100.444   text
1  2.567   20.222  200.555  4.567
2  3.789   30.333  300.666  5.678

---

示例 1：默认参数（保留 0 位小数）

df.round()

结果：

     A     B      C     D
0  1.0  10.0  100.0  text
1  3.0  20.0  201.0  5.0
2  4.0  30.0  301.0  6.0

解释：

• 所有数值列都被四舍五入到整数（0 位小数）
• 字符串列 D 被保留原样（未参与运算）

---

示例 2：指定保留 1 位小数

df.round(1)

结果：

     A     B      C     D
0  1.2  10.1  100.4  text
1  2.6  20.2  200.6  4.6
2  3.8  30.3  300.7  5.7

解释：

• 所有数值列保留一位小数
• 字符串列 D 不受影响

---

示例 3：按列指定不同精度（使用字典）

df.round({'A': 1, 'B': 2, 'C': 0})

结果：

     A      B      C     D
0  1.2  10.11  100.0  text
1  2.6  20.22  201.0  5.0
2  3.8  30.33  301.0  6.0

解释：

• 列 A 保留 1 位小数
• 列 B 保留 2 位小数
• 列 C 保留 0 位小数（整数）

---

示例 4：使用 Series 指定各列精度

import pandas as pddecimals = pd.Series({'A': 2, 'B': 1, 'C': 0})
df.round(decimals)

结果：

     A      B      C     D
0  1.23   10.1  100.0  text
1  2.57   20.2  201.0  5.0
2  3.79   30.3  301.0  6.0

解释：

• 使用 Series 指定每列的精度，效果与字典方式一致

---

示例 5：处理包含 NaN 的数据

import numpy as npdf_with_nan = pd.DataFrame({'X': [1.234, np.nan, 3.789],'Y': [np.nan, 2.345, 3.456]
})df_with_nan.round(1)

结果：

     X    Y
0  1.2  NaN
1  NaN  2.3
2  3.8  3.5

解释：

• NaN 值保持不变
• 其他数值正常四舍五入

---

示例 6：对整个 DataFrame 设置统一精度

df.round(2)

结果：

     A      B      C     D
0  1.23  10.11  100.44  text
1  2.57  20.22  200.56  4.57
2  3.79  30.33  300.67  5.68

解释：

• 所有数值列保留两位小数
• 字符串列 D 不受影响

---

⚠️ 注意事项

• 只作用于数值型列（int、float），字符串列不会报错而是保持原样
• 支持通过字典或 Series 对不同列设置不同精度
• NaN 值不会被修改
• 不会改变原始 DataFrame，返回新对象

---

🎯 适用场景

场景	描述
数据展示	格式化输出，避免显示过多小数位
模型评估	控制预测值的精度以方便比较
特征工程	构造离散化的浮点特征
可视化准备	减少图表中不必要的精度细节

---

📋 总结

特性	描述
功能	对 DataFrame 中的数值进行四舍五入
默认行为	所有列保留 0 位小数（整数）
是否修改原数据	否，返回新 DataFrame
适用类型	数值型列（int、float）
NaN 处理	保留原值，不参与四舍五入

round() 是一个非常实用的方法，适合用于数据格式化、展示优化、特征处理等任务。