162-3、功…目录

161-2-1、axis(可选默认值为None)对于Series这个参数不需要使用。

161-2-2、skipna(可选默认值为True)如果设置为True则在计算时会忽略NaN值如果设置为False则一旦遇到NaN之后的结果也会是NaN。

161-2-3、*args(可选)其他位置参数这里通常不需要使用。

161-2-4、**kwargs(可选)其他关键字参数通常也不使用于此方法。

161-3、功能

用于计算累积和的方法它返回一个新的系列其中每个元素都是原系列中该位置之前所有元素的总和。

161-4、返回值

161-5-1、时间序列分析在金融数据中比如股票价格或销售额累积和可以帮助分析某个时间段内的总收益或总销售量。

161-5-2、数据统计在进行数据分析时可以使用累积和来跟踪某个变量的增长趋势。

例如分析一天内的访客数量时可以通过计算每小时的累积访问量来了解高峰时段。

161-5-3、分组数据分析在处理分组数据时例如按类别或组别计算累积总和可以帮助比较不同组的累计情况。

161-5-4、滚动计算在某些情况下需使用累积和来计算滚动窗口的总和或用作其他派生指标的基础。

161-5-5、日志分析在对日志数据进行分析时可以用累积和来追踪事件发生的频率比如错误数量的积累。

161-6、用法

pandas.Series.describe(percentilesNone,

includeNone,

162-2-1、percentiles(可选默认值为None)指定要计算的分位数。

可以传入一个包含0到1之间浮点数的列表例如[0.25,

0.5,

0.75]表示计算25%、50%和75%的分位数。

如果不指定默认会计算25%、50%(中位数)和75%分位数。

162-2-2、include(可选默认值为None)表示指定要包括的描述性统计数据类型可以是以下内容之一

162-2-3、exclude(可选默认值为None)指定要排除的描述性统计数据类型。

可以是与include参数相同的类型。

比如如果希望排除字符串类型数据可以传入[object]。

同样如果为None将不排除任何类型。

162-3、功能

162-3-1、计算基本统计量例如计数、均值、标准差、最小值、最大值和分位数等。

162-3-2、分析数据的分布情况提供数值型和分类型数据的基本信息。

162-4、返回值

返回一个Series或DataFrame具体取决于输入数据的类型和所选择的统计信息返回内容通常包括以下几项

162-4-9、对于对象类型(如字符串)返回的数据将会是计数、唯一值数量、最常见的值及其频率。

162-5、说明

162-5​​​​​​​-3、探索性数据分析分析数据分布以便做出进一步的数据分析和决策。

162-6、用法

print(data.describe(percentiles[0.1,

0.5,

print(data.describe(includenumber),

end\n\n)#

print(data.describe(excludeobject))

162-6-3、结果输出

163-2-1、periods(可选默认值为1)一个整数用于指定计算差分时所考虑的周期数。

如果periods为

2将计算当前元素与前两个元素之前的差值以此类推。

可以是正数或负数负数会向前看比如-1会计算当前元素与下一个元素之间的差值。

163-3、功能

用于计算当前系列元素与前一个元素(或指定周期的元素)之间的差值。

它的主要功能是在时间序列分析中帮助识别变化和趋势。

163-4、返回值

返回一个与原始系列长度相同的新系列差分后的前periods个元素将为NaN(因为没有数据可供计算)。

163-5、说明

该方法在各种数据分析和时间序列分析场景中非常有用。

以下是一些常见的应用场景

163-5-1、趋势分析通过计算数据的差分帮助识别时间序列中的趋势和模式。

如分析股票价格的变化以确定价格的上升或下降趋势。

163-5-2、季节性调整在时间序列数据中识别和调整季节性波动。

如对月度销售数据进行差分处理以去除季节性波动的影响从而更好地识别销售的长期趋势。

163-5-3、数据平稳化将非平稳的时间序列数据转换为平稳数据以便进行进一步的分析和建模。

如在进行时间序列预测模型(如ARIMA模型)之前通过差分将数据的非平稳性去除。

163-5-4、异常检测通过计算数据点之间的差异帮助发现异常值或突发事件。

如监控传感器数据的差分来检测设备故障或异常变化。

163-5-5、收益率计算计算金融数据中的收益率。

如计算股票或基金的日收益率以评估投资表现。

163-5-6、信号处理在信号处理领域使用差分方法来增强或减弱信号的特定部分。

如在处理音频信号时计算信号的差分以突出变化部分辅助进一步的分析或处理。

163-6、用法

pandas.Series.factorize(sortFalse,

use_na_sentinelTrue)

relationship.use_na_sentinelbool,

default

164-2-1、sort(可选默认值为False)如果设置为True输出的唯一值数组会被排序。

164-2-2、use_na_sentinel(可选默认值为True)如果设置为True缺失值(NaN)将被分配为一个特殊的整数值通常是-1如果设置为False缺失值将不会被标记。

164-3、功能

用于将系列的值编码为整数的函数它可以将非唯一的值转换为一个整数数组这些整数代表了不同的唯一值同时还返回唯一值的数组。

164-4、返回值

在机器学习中许多算法要求输入特征是数值型的使用factorize可以将类别变量(如字符串标签)转换为整型编码以便可以直接用于模型训练。

164-5-2、数据预处理

在数据清洗和预处理过程中常常需要将重复的文本或分类数据转化为唯一值并编码通过factorize可以高效地实现这一点。

164-5-3、去重和性能优化

通过将类别变量转化为整数编码可以减少内存使用和提高计算性能尤其是在处理大数据集时。

164-5-4、处理缺失值

提供use_na_sentinel参数以便于处理包含缺失数据的情况使得对缺失值进行统一编码便于后续分析。

164-5-5、分析数据分布

使用factorize可以帮助分析数据中不同类别的分布情况例如了解数据集中不同类别的数量和类型。

164-5​​​​​​​-6、生成标签

data.factorize(use_na_sentinelTrue)

输出编码结果和唯一值

165-2-1、axis(可选默认值为0)表示沿着指定的轴计算。

165-2-2、skipna(可选默认值为True)是否跳过缺失值(NaN)如果为False则在存在缺失值时结果为NaN。

165-2-3、numeric_only(可选默认值为False)用于指示是否仅计算数值数据类型。

165-3、功能

用于计算数据的峰度(Kurtosis)即描述数据分布形态的一种统计量其中峰度反映了数据的尖峭程度或平坦程度。

165-4、返回值

165-5-1、金融数据分析在金融领域峰度用于分析资产回报率的分布特征高峰度可能表明事件发生的概率比正态分布更高如极端收益或损失帮助投资者评估风险。

165-5-2、风险管理峰度可以用于风险管理中的极值理论(Extreme

Value

risk)高峰度的分布意味着极端值的出现更为频繁可能需要采取额外的风险控制措施。

165-5-3、市场营销分析在客户行为分析中峰度可以用于评估客户支出的分布如果支出分布的峰度较高可能意味着大部分消费者的支出集中在某些特定的区间这为制定营销策略提供了依据。

165-5-4、科学研究和工程在实验数据分析中峰度可用于评估实验结果的异常值或数据质量通过观察峰度研究人员可以识别数据的偏离程度从而进行更深入的研究。

165-5-5、机器学习特征工程在特征选择过程中峰度可作为一种特征从而帮助模型区分不同类型的数据分布这有助于提高模型的性能通过反映数据的分布特征来增强分类或回归模型。

165-5-6、质量控制在制造和质量控制中通过监控生产过程的峰度可以评估产品质量的稳定性如果产品尺寸或特性的数据分布峰度异常可能需要调整生产工艺。

165-5-7、社会科学研究在社会科学领域峰度可以用于分析调查数据的分布特征从而了解特定变量在某种特性(如收入、教育水平等)上的集中程度。

165-6、用法