### Pandas库中用于描述性分析的函数及示例 Pandas 是一个功能强大的数据分析库，提供了多种用于描述性统计分析的函数。这些函数可以帮助用户快速了解数据的基本特征、分布和趋势[^2]。 #### 常用描述性统计函数 1. **`describe()` 函数** `describe()` 是 Pandas 中最常用的描述性统计函数之一，它可以生成数据框或系列的摘要统计信息，包括计数、均值、标准差、最小值、四分位数和最大值等[^4]。 ```python import pandas as pd import numpy as np # 创建示例数据 d = {'Name': pd.Series(['小明', '小亮', '小红', '小华', '老赵', '小曹', '小陈', '老李', '老王', '小冯', '小何', '老张']), 'Age': pd.Series([25, 26, 25, 23, 30, 29, 23, 34, 40, 30, 51, 46]), 'Rating': pd.Series([4.23, 3.24, 3.98, 2.56, 3.20, 4.6, 3.8, 3.78, 2.98, 4.80, 4.10, 3.65])} df = pd.DataFrame(d) # 使用 describe() 函数 print(df.describe()) ``` 输出结果如下： ``` Age Rating count 12.0 12.000000 mean 31.0 3.635833 std 8.4 0.728768 min 23.0 2.560000 25% 25.0 3.210000 50% 29.5 3.790000 75% 34.0 4.172500 max 51.0 4.800000 ``` 2. **`groupby()` 和 `describe()` 的结合使用** 在数据分析过程中，经常需要对数据集中的不同分组进行描述性统计。可以通过 `groupby()` 函数将数据按某一列分组，然后调用 `describe()` 计算每组的统计信息[^3]。 ```python # 按年龄分组并计算描述性统计 grouped = df.groupby('Age') print(grouped.describe()) ``` 3. **其他统计函数** - **`mean()`**: 计算均值[^5]。 - **`std()`**: 计算标准差[^5]。 - **`min()` 和 `max()`**: 分别计算最小值和最大值[^5]。 - **`sum()`**: 计算总和[^5]。 - **`cumsum()`**: 计算累积和[^5]。 #### 数据可视化的结合 在描述性统计分析中，可视化是不可或缺的一部分。可以结合 Matplotlib 或 Seaborn 库绘制统计图表。例如，绘制直方图展示数据分布： ```python import matplotlib.pyplot as plt # 绘制年龄分布的直方图 plt.hist(df['Age'], bins=10) plt.title('Age Distribution') plt.xlabel('Age') plt.ylabel('Frequency') plt.show() ``` #### 示例图片 虽然无法直接嵌入图片，但可以参考以下步骤生成可视化图表： 1. 使用 `df.describe()` 获取统计数据。 2. 使用 Matplotlib 或 Seaborn 将数据可视化，例如绘制箱线图、直方图或散点图。 --- ###