数值统计

利用.sum()进行求和
列求和，运算中NA值会自动排除

#求和统计
df = pd.DataFrame([[1.4, np.nan], [7.1, -4.5],
    [np.nan, np.nan], [0.75, -1.3]],
    index=['a', 'b', 'c', 'd'],
    columns=['one', 'two'])
print(df)
print(df.sum())

若想进行行求和统计，在参数处修改axis为1（或columns）

print(df.sum(axis=1))

若参数处注明不跳过NA，运算中值将会被NA“吞噬”（同化nan）

print(df.sum(axis=1,skipna=False))

其他数值统计

#均值
print(df.mean())
#最大最小值的索引值：最大的在第几行
print(df.idxmax())
print(df.idxmin())
#返回每一列的最大值最小值
print(df.max())
print(df.min())

更多的数值统计函数

唯⼀值、值计数以及成员资格

什么是唯一值：即去重
什么是值计数：即频数
什么是成员资格：即取子集运算

利用unique对序列去重，生成新序列。字符串形式的NaN与生成的真正NaN是不会合并去重的。

obj = pd.Series(['c', 'a', 'd', 'a', 'a', 'b', 'b', 'c', 'c','NaN','NaN',np.nan,np.nan])
print(obj)
print(obj.unique())
#['c' 'a' 'd' 'b' 'NaN' nan]

#除非提前转化
obj=obj.replace('NaN',np.nan)
print(obj.unique())
#['c' 'a' 'd' 'b' nan]

利用value_count计算频数

#计算频数
print(obj.value_counts())
#a    3
#c    3
#b    2
#d    1
#会将字符串NaN算进去而不将真正NaN算进去

利用isin检查子集情况。输出与原序列同样长度的序列，与子集（序列形式）一致则为T，不一致则为F

#子集匹配
print(obj.isin(['b','c']))#序列顺序不影响
print(obj.isin(['c','c']))#重复值不影响
print(obj.isin(['c',np.nan]))#NaN正常匹配
#子集挑选
print(obj[obj.isin(['b','c'])])#挑选符合子集的部分
#0    c
#5    b
#6    b
#7    c
#8    c

补充：apply执行的是列重复运算，把需要执行的函数放入apply即可