第⼗部分 数学和统计⽅**法
pandas对象拥有⼀组常⽤的数学和统计⽅法。它们属于汇总统计，对Series汇总计算获取mean、max
值或者对DataFrame⾏、列汇总计算返回⼀个Series。
第⼀节 简单统计指标**

import numpy as np import pandas as pd
df = pd.DataFrame(data = np.random.randint(0,100,size = (20,3)), index = list(‘ABCDEFHIJKLMNOPQRSTU’),
columns=[‘Python’,’Tensorflow’,’Keras’])
# 1、简单统计指标df.count() # ⾮NA值的数量
df.max(axis = 0) #轴0最⼤值，即每⼀列最⼤值df.min() #默认计算轴0最⼩值
df.median() # 中位数
df.sum() # 求 和
df.mean(axis = 1) #轴1平均值，即每⼀⾏的平均值df.quantile(q = [0.2,0.4,0.8]) # 分 位 数
df.describe() # 查看数值型列的汇总统计,计数、平均值、标准差、最⼩值、四分位数、最⼤值

第⼆节 索引标签、位置获取

2、索引位置
df[‘Python’].argmin() # 计算最⼩值位置df[‘Keras’].argmax() # 最⼤值位置df.idxmax() # 最⼤值索引标签df.idxmin() # 最⼩值索引标签

第三节 更多统计指标

3、更多统计指标
df[‘Python’].value_counts() # 统计元素出现次数
df[‘Keras’].unique() # 去 重df.cumsum() # 累 加df.cumprod() # 累 乘df.std() # 标准差
df.var() # ⽅ 差df.cummin() # 累计最⼩值df.cummax() # 累计最⼤值df.diff() # 计算差分
df.pct_change() # 计算百分⽐变化

第四节 ⾼级统计指标

4、⾼级统计指标df.cov() # 属性的协⽅差
df[‘Python’].cov(df[‘Keras’]) # Python和Keras的协⽅差df.corr() # 所有属性相关性系数df.corrwith(df[‘Tensorflow’]) # 单⼀属性相关性系数