DataFrame.describe(percentiles=None, include=None, exclude=None)

其物理意义在于观察这一系列数据的范围。大小、波动趋势等等，便于判断后续对数据采取哪类模型更合适。

 

 基础数据：

# 时间
dates = pd.date_range('20200115', periods=7)
# dn表格每个维度
df = pd.DataFrame(np.random.randn(7,5),index=dates,columns=list('ABCDa'))
df.to_excel(r'D:\自动化\web\unittest\DataTest1.xls',sheet_name='Sheet1')  #数据输出至Excel

 

 

1.第一个percentiles,这个参数可以设定数值型特征的统计量，默认是[.25, .5, .75],也就是返回25%，50%，75%数据量时的数字，但是这个可以修改的，

df['Parch'].describe(percentiles=[.2,.75, .8])默认有5
 

 

 

 

2.第二个参数：include，这个参数默认是只计算数值型特征的统计量，当输入include=['O']，会计算离散型变量的统计特征，，

举个例子如下：

df.describe(include=‘O’)  

df.describe(include=[‘O’])  

 缺图

df.describe(include=‘all’)  

此外传参数是‘all’的时候会把数值型和离散型特征的统计都进行显示。

 

 

 

 

3.第三个参数的设计就更贴心了，第二个参数是你可以指定选那些，第三个参数就是你可以指定不选哪些，人性化设计。这个参数默认不丢弃任何列，相当于无影响。

综述，无法取指定行数，比如只取Min行 

print(df.describe().iloc[3]) 暂时只能用这种方式

 

部分内容转https://blog.csdn.net/fang_qingyi/article/details/102649589