【Pandas】pandas Series var

Pandas2.2 Series

Computations descriptive stats

方法 描述
Series.abs() 用于计算 Series 中每个元素的绝对值
Series.all() 用于检查 Series 中的所有元素是否都为 True 或非零值(对于数值型数据)
Series.any() 用于检查 Series 中是否至少有一个元素为 True 或非零值(对于数值型数据)
Series.autocorr() 用于计算 Series 的自相关系数
Series.between() 用于检查 Series 中的每个元素是否在指定的两个值之间(包括边界值)
Series.clip() 用于将 Series 中的元素限制在指定的上下限之间
Series.corr() 用于计算两个 Series 之间的相关系数
Series.count() 用于计算 Series 中非 NA/null 值的数量
Series.cov(other[, min_periods, ddof]) 用于计算两个 Series 之间的协方差
Series.cummax([axis, skipna]) 用于计算 Series 中元素的累积最大值
Series.cummin([axis, skipna]) 用于计算 Series 中元素的累积最小值
Series.cumprod([axis, skipna]) 用于计算 Series 中元素的累积乘积
Series.cumsum([axis, skipna]) 用于计算 Series 中元素的累积和
Series.describe([percentiles, include, exclude]) 用于生成 Series 对象的描述性统计信息的方法
Series.diff([periods]) 用于计算 Series 中元素与前一个元素之间差值的方法
Series.factorize([sort, use_na_sentinel]) 用于将 Series 中的唯一值编码为从 0 开始的整数索引的方法
Series.kurt([axis, skipna, numeric_only]) 用于计算 Series 中数据的峰度(kurtosis)
Series.max([axis, skipna, numeric_only]) 用于计算 Series 中所有元素的最大值
Series.mean([axis, skipna, numeric_only]) 用于计算 Series 中所有元素的算术平均值
Series.median([axis, skipna, numeric_only]) 用于计算 Series 对象中位数的函数
Series.min([axis, skipna, numeric_only]) 用于计算 Series 对象最小值的函数
Series.mode([dropna]) 用于计算 Series 对象中最常出现的值(众数)的函数
Series.nlargest([n, keep]) 用于获取 Series 对象中最大的 n 个值的函数
Series.nsmallest([n, keep]) 用于获取 Series 对象中最小的 n 个值的函数
Series.pct_change([periods, fill_method, ...]) 用于计算 Series 对象中元素与前一个元素之间百分比变化的方法
Series.prod([axis, skipna, numeric_only, ...]) 用于计算 Series 对象中所有元素乘积的函数
Series.quantile([q, interpolation]) 用于计算 Series 对象的分位数(quantiles)的方法
Series.rank([axis, method, numeric_only, ...]) 用于计算 Series 对象中每个元素的排名的方法
Series.sem([axis, skipna, ddof, numeric_only]) 用于计算 Series 对象的标准误差(Standard Error of the Mean, SEM)的方法
Series.skew([axis, skipna, numeric_only]) 用于计算 Series 对象的偏度(skewness)的方法
Series.std([axis, skipna, ddof, numeric_only]) 用于计算 Series 对象的标准差(Standard Deviation, STD)的方法
Series.sum([axis, skipna, numeric_only, ...]) 用于计算 Series 中元素的总和
Series.var([axis, skipna, ddof, numeric_only]) 用于计算 Series 中元素的样本方差

pandas.Series.var

pandas.Series.var() 方法用于计算 Series 中元素的样本方差。以下是该方法的详细描述:

  • 参数

    • axis:{index (0)},默认为0。此参数在 Series 中通常不使用,因为 Series 是一维数据结构。
    • skipna:布尔值,默认为 True。如果设置为 True,则在计算时忽略 NaN 值;如果设置为 False,则 NaN 值会导致结果也为 NaN。
    • ddof:整数,默认为 1。表示"Delta Degrees of Freedom"(自由度调整)。方差计算公式中的分母是 N - ddof,其中 N 是观测值的数量。默认情况下,ddof=1 计算的是无偏样本方差。
    • numeric_only:布尔值,默认为 None。如果设置为 True,则只包含数值列(float、int、boolean)。此参数在 Series 中通常不使用,因为 Series 只有一种数据类型。
  • 返回值

    • 返回一个标量值,表示 Series 中所有元素的样本方差。
示例及结果
python 复制代码
import pandas as pd

# 创建一个简单的 Series
s = pd.Series([1, 2, 3, 4, 5])

# 计算 Series 的样本方差,默认 ddof=1
result_default_ddof = s.var()
print("Variance with default ddof (1):", result_default_ddof)

# 设置 ddof=0 计算总体方差
result_ddof_0 = s.var(ddof=0)
print("Variance with ddof=0:", result_ddof_0)

# 包含 NaN 值的 Series
s_with_nan = pd.Series([1, 2, 3, None, 5])

# 忽略 NaN 值计算方差
result_skipna_true = s_with_nan.var(skipna=True)
print("Variance with skipna=True:", result_skipna_true)

# 不忽略 NaN 值计算方差
result_skipna_false = s_with_nan.var(skipna=False)
print("Variance with skipna=False:", result_skipna_false)
输出结果
复制代码
Variance with default ddof (1): 2.5
Variance with ddof=0: 2.0
Variance with skipna=True: 2.9166666666666665
Variance with skipna=False: nan
解释
  • 对于没有 NaN 值的 Series:

    • 默认情况下 (ddof=1),计算的是无偏样本方差。
    • 如果将 ddof 设置为 0,则计算的是总体方差。
  • 当 Series 中包含 NaN 值时:

    • 如果 skipna=True,则忽略 NaN 值并计算剩余元素的方差。
    • 如果 skipna=False,则只要存在 NaN 值,结果就会是 NaN。
相关推荐
Amagi.10 分钟前
Java设计模式-建造者模式
java·设计模式·建造者模式
alex10015 分钟前
AI Agent开发学习系列 - langchain之LCEL(5):如何创建一个Agent?
人工智能·python·语言模型·langchain·prompt·向量数据库·ai agent
EmpressBoost19 分钟前
谷粒商城170缓存序列化报错
java·spring·缓存
fouryears_2341721 分钟前
@PathVariable与@RequestParam的区别
java·spring·mvc·springboot
wxjlkh31 分钟前
powershell 批量测试ip 端口 脚本
java·服务器·前端
萌新小白的逆袭1 小时前
《Maven 核心基础笔记(第一天)》
java·开发语言·spring
一念&1 小时前
Java泛型
java
海哥编程1 小时前
Python 数据分析(二):Matplotlib 绘图
python·数据分析·matplotlib
掉鱼的猫1 小时前
Solon 整合 LiteFlow 规则引擎:概念与实战
java·workflow
她说..1 小时前
Stream API流学习总结
java