Pandas 系列是带有轴标签的一维ndarray。标签不必是唯一的,但必须是可哈希的类型。该对象同时支持基于整数和基于标签的索引,并提供了许多方法来执行涉及索引的操作。
Pandas Series.sem()
函数返回所请求轴上的平均值的无偏标准误差。默认情况下,结果由N-1归一化。可以使用ddof参数进行更改。
用法: Series.sem(axis=None, skipna=None, level=None, ddof=1, numeric_only=None, **kwargs)
参数:
axis:{索引(0)}
skipna:排除NA /空值。
level:如果轴是MultiIndex(分层),则沿特定级别计数,并折叠成标量。
ddof:Delta自由度。
numeric_only:仅包括float,int,boolean列。
返回:标量或系列(如果指定级别)
范例1:采用Series.sem()
函数来查找给定Series对象中基础数据的平均值的标准误差。
# importing pandas as pd
import pandas as pd
# Creating the Series
sr = pd.Series([100, 25, 32, 118, 24, 65])
# Print the series
print(sr)
输出:
现在我们将使用Series.sem()
函数查找基础数据均值的标准误。
# find standard error of the mean
sr.sem()
输出:
从输出中可以看到,Series.sem()
函数已成功计算标准误差,即给定Series对象中基础数据的平均值。
范例2:采用Series.sem()
函数来查找给定Series对象中基础数据的平均值的标准误差。给定的Series对象还包含一些缺少的值。
# importing pandas as pd
import pandas as pd
# Creating the Series
sr = pd.Series([19.5, 16.8, None, 22.78, None, 20.124, None, 18.1002, None])
# Print the series
print(sr)
输出:
现在我们将使用Series.sem()
函数查找基础数据均值的标准误。
# find standard error of the mean
# Skip all the missing values
sr.sem(skipna = True)
输出:
从输出中可以看到,Series.sem()
函数已成功计算标准误差,即给定Series对象中基础数据的平均值。
相关用法
- Python pandas.map()用法及代码示例
- Python Pandas Series.str.len()用法及代码示例
- Python Pandas.factorize()用法及代码示例
- Python Pandas TimedeltaIndex.name用法及代码示例
- Python Pandas dataframe.ne()用法及代码示例
- Python Pandas Series.between()用法及代码示例
- Python Pandas DataFrame.where()用法及代码示例
- Python Pandas Series.add()用法及代码示例
- Python Pandas.pivot_table()用法及代码示例
- Python Pandas Series.mod()用法及代码示例
- Python Pandas Dataframe.at[ ]用法及代码示例
- Python Pandas Dataframe.iat[ ]用法及代码示例
- Python Pandas.pivot()用法及代码示例
- Python Pandas dataframe.mul()用法及代码示例
- Python Pandas.melt()用法及代码示例
注:本文由纯净天空筛选整理自Shubham__Ranjan大神的英文原创作品 Python | Pandas Series.sem()。非经特殊声明,原始代码版权归原作者所有,本译文未经允许或授权,请勿转载或复制。