Python Pandas DataFrame var方法用法及代码示例

Pandas DataFrame.var(~) 方法计算源 DataFrame 的每行或每列的方差。 (无偏)方差使用以下公式计算：

其中，

$N$ 是行或列的大小

$x_i$ 是行或列中第 $i$ 索引的值

$\bar{x}$ 是行或列中的值的平均值。

var(~) 方法还可以计算总体方差。我们通过设置 ddof=0 来做到这一点。

1.axis | int 或 string | optional

是否按列或按行计算方差：

轴	说明
`"index"` 或 `0`	计算每列的方差。
`"columns"` 或 `1`	计算每行的方差。

默认情况下，axis=0 。

2. skipna | boolean | optional

是否跳过 NaN 。跳过的 NaN 不会计入总大小 ( $N$ )。默认情况下，skipna=True 。

3. level | string 或 int | optional

要考虑的级别的名称或整数索引。仅当您的 DataFrame 是多索引时才需要这样做。

4. ddof | int | optional

自由度δ。这可用于修改分母：

默认情况下，ddof=1 。

5. numeric_only | None 或 boolean | optional

允许的值如下：

值	说明
`True`	仅考虑数字行/列(例如 `float` 、 `int` 、 `boolean` )。
`False`	尝试使用所有类型(例如字符串和日期)进行计算，并在无法计算方差时抛出错误。
`None`	尝试计算所有类型，并忽略所有无法计算方差的行/列不会引发错误.

请注意，只有当类型之间明确定义了 + 运算符时，才能计算方差。

默认情况下，numeric_only=None 。

如果指定了level参数，则将返回DataFrame。否则，将返回Series。

考虑以下 DataFrame ：

df = pd.DataFrame({"A":[3,5,7], "B":[2,5,8]})
df



   A  B
0  3  2
1  5  5
2  7  8

计算每列的方差：

df.var()   # axis=0



A    4.0
B    9.0
dtype: float64

计算每行的方差：

df.var(axis=1)



0    0.5
1    0.0
2    0.5
dtype: float64

考虑以下 DataFrame ：

df = pd.DataFrame({"A":[3,5], "B":[True,5], "C":["x",7]})
df



   A  B     C
0  3  True  x
1  5  5     7

这里，列B和C是混合类型。

默认情况下， numeric_only=None ，这意味着混合类型的行/列也会被考虑：

df.var()   # numeric_only=None



A    2.0
B    8.0
dtype: float64

B 列的方差仍然可计算的原因是，True 在 Pandas 中内部表示为 1。相反，由于 "x"+7 未定义，因此无法计算列 C 的方差。

numeric_only=False表示混合类型的行/列也会被考虑，但如果方差不可计算，则会引发错误：

df.var(numeric_only=False)



TypeError: could not convert string to float: 'x'

仅计算数字行/列的方差：

df.var(numeric_only=True)



A    2.0
dtype: float64

相关用法

注：本文由纯净天空筛选整理自Isshin Inada大神的英文原创作品 Pandas DataFrame | var method。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。