1、std
用于计算 DataFrame 中数值的标准差。
python
DataFrame.std(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标准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，值为每列的标准差。 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，值为每行的标准差。 |
| skipna | 布尔值，默认为 True。如果为 True，则在计算标准差时会忽略 NaN 值。 |
| ddof | 整数，默认为 1。Delta Degrees of Freedom，计算样本标准差时使用的无 偏估计的自由度修正。对于整个群体的标准差， 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。 |
|---|
python
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.std()
print("std per column:")
print(sum_per_column)
python
std per column:
A 1.290994
B 1.290994
dtype: float642 、quantile
用于计算 DataFrame 中数值的分位数。
python
DataFrame.quantile(q=0.5, axis=0, numeric_only=False, interpolation='linear', method='single')| 描述 | 说明 |
| q | 可以是单个浮点数或浮点数列表，默认为 0.5。要计算的的分位数，应该在 0 到 1 之间。例如，q=0.5 表示中位数。 |
| axis | {0 或 'index', 1 或 'columns', None}, 默认为 0。这个参数决定了计算分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，值为每列的分位数。 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，值为每行的分位数。 |
| 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。 |
| interpolation | {'linear', 'lower', 'higher', 'midpoint', 'nearest'}, 默认为 'linear'。这个参数决定了分位数在数据不包含精确分位数值时的插值方法： 'linear': 线性插值。 'lower': 选择小于分位数的最大值。 'higher': 选择大于分位数的最小值。 'midpoint': 选择两个相邻数据的中间值。 'nearest': 选择最接近分位数的值。 |
| method | {'single', 'table'}, 默认为 'single'。这个参数决定了计算分位数的方法： 'single': 对每列或每行单独计算分位数。 'table': 使用整个表的分位数。选择table时，插值方法只能是higher、 lower、nearest之一。 |
|---|
python
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.quantile()
print("quantile per column:")
print(sum_per_column)
python
quantile per column:
A 2.5
B 6.5
Name: 0.5, dtype: float643、 cummax
用于计算 DataFrame 中数值的累积最大值。
python
DataFrame.cummax(axis=0, skipna=True, *args, **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累积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，值为每列的累积最大值。 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，值为每行的累积最大值。 |
| skipna | 布尔值，默认为 True。如果为 True，则在计算累积最大值时会忽略 NaN 值。 |
| *args 和 **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。 |
|---|
python
import pandas as pd
import numpy as np
# 创建一个 DataFrame
df = pd.DataFrame({
'A': [1, 2, np.nan, 4, 5],
'B': [5, np.nan, 3, 2, 1],
})
print(df)
# 计算每列的累积最大值
cummax_per_column = df.cummax(axis=0)
print("Cumulative max per column:")
print(cummax_per_column)
# 计算每行的累积最大值
cummax_per_row = df.cummax(axis=1)
print("\nCumulative max per row:")
print(cummax_per_row)
python
A B
0 1.0 5.0
1 2.0 NaN
2 NaN 3.0
3 4.0 2.0
4 5.0 1.0
Cumulative max per column:
A B
0 1.0 5.0
1 2.0 NaN
2 NaN 5.0
3 4.0 5.0
4 5.0 5.0
Cumulative max per row:
A B
0 1.0 5.0
1 2.0 NaN
2 NaN 3.0
3 4.0 4.0
4 5.0 5.04、 cummin
用于计算 DataFrame 中数值的累积最小值。
python
DataFrame.cummin(axis=0, skipna=True, *args, **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累积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，值为每列的累积最小值。 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，值为每行的累积最小值。 |
| skipna | 布尔值，默认为 True。如果为 True，则在计算累积最小值时会忽略 NaN 值。 |
| *args 和 **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。 |
|---|
python
import pandas as pd
import numpy as np
# 创建一个 DataFrame
df = pd.DataFrame({
'A': [1, 2, np.nan, 4, 5],
'B': [5, np.nan, 3, 2, 1],
})
print(df)
# 计算每列的累积最小值
cummin_per_column = df.cummin(axis=0)
print("Cumulative min per column:")
print(cummax_per_column)
# 计算每行的累积最小值
cummin_per_row = df.cummin(axis=1)
print("\nCumulative min per row:")
print(cummax_per_row)
python
A B
0 1.0 5.0
1 2.0 NaN
2 NaN 3.0
3 4.0 2.0
4 5.0 1.0
Cumulative min per column:
A B
0 1.0 5.0
1 2.0 NaN
2 NaN 5.0
3 4.0 5.0
4 5.0 5.0
Cumulative min per row:
A B
0 1.0 5.0
1 2.0 NaN
2 NaN 3.0
3 4.0 4.0
4 5.0 5.05、 cumsum
用于计算 DataFrame 中数值的累积 和。
python
DataFrame.cumsum(axis=0, skipna=True, *args, **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累积 和是在哪个轴上进行： 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，值为每列的累积 和。 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，值为每行的累积 和。 |
| skipna | 布尔值，默认为 True。如果为 True，则在计算累积 和时会忽略 NaN 值。 |
| *args 和 **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。 |
|---|
python
import pandas as pd
import numpy as np
# 创建一个 DataFrame
df = pd.DataFrame({
'A': [1, 2, np.nan, 4, 5],
'B': [5, np.nan, 3, 2, 1],
})
print(df)
# 计算每列的累积和
cumsum_per_column = df.cumsum(axis=0)
print("Cumulative sum per column:")
print(cummax_per_column)
# 计算每行的累积和
cumsum_per_row = df.cumsum(axis=1)
print("\nCumulative sum per row:")
print(cummax_per_row)
python
A B
0 1.0 5.0
1 2.0 NaN
2 NaN 3.0
3 4.0 2.0
4 5.0 1.0
Cumulative sum per column:
A B
0 1.0 5.0
1 2.0 NaN
2 NaN 5.0
3 4.0 5.0
4 5.0 5.0
Cumulative sum per row:
A B
0 1.0 5.0
1 2.0 NaN
2 NaN 3.0
3 4.0 4.0
4 5.0 5.06、 cumprod
用于计算 DataFrame 中数值的累积乘积。
python
DataFrame.cumprod(axis=0, skipna=True, *args, **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累积乘积是在哪个轴上进行： 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，值为每列的累积乘积。 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，值为每行的累积乘积。 |
| skipna | 布尔值，默认为 True。如果为 True，则在计算累积乘积时会忽略 NaN 值。 |
| *args 和 **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。 |
|---|
python
import pandas as pd
import numpy as np
# 创建一个 DataFrame
df = pd.DataFrame({
'A': [1, 2, np.nan, 4, 5],
'B': [5, np.nan, 3, 2, 1],
})
print(df)
# 计算每列的累积乘积
cumprod_per_column = df.cumprod(axis=0)
print("Cumulative sum per column:")
print(cummax_per_column)
# 计算每行的累积乘积
cumprod_per_row = df.cumprod(axis=1)
print("\nCumulative sum per row:")
print(cummax_per_row)
python
A B
0 1.0 5.0
1 2.0 NaN
2 NaN 3.0
3 4.0 2.0
4 5.0 1.0
Cumulative sum per column:
A B
0 1.0 5.0
1 2.0 NaN
2 NaN 5.0
3 4.0 5.0
4 5.0 5.0
Cumulative sum per row:
A B
0 1.0 5.0
1 2.0 NaN
2 NaN 3.0
3 4.0 4.0
4 5.0 5.0