Question

对于某个Kaggle数据集（规则禁止我在此处共享数据，但可以随时访问here），

import pandas
df_train = pandas.read_csv(
    "01 - Data/act_train.csv.zip"
)
df_train.describe()

我明白了：

>>> df_train.describe()
            outcome
count  2.197291e+06
mean   4.439544e-01
std    4.968491e-01
min    0.000000e+00
25%    0.000000e+00
50%    0.000000e+00
75%    1.000000e+00
max    1.000000e+00

然而对于相同的数据集df_train.columns给了我：

>>> df_train.columns
Index(['people_id', 'activity_id', 'date', 'activity_category', 'char_1',
       'char_2', 'char_3', 'char_4', 'char_5', 'char_6', 'char_7', 'char_8',
       'char_9', 'char_10', 'outcome'],
      dtype='object')

和df_train.dtypes给了我：

>>> df_train.dtypes
people_id            object
activity_id          object
date                 object
activity_category    object
char_1               object
char_2               object
char_3               object
char_4               object
char_5               object
char_6               object
char_7               object
char_8               object
char_9               object
char_10              object
outcome               int64
dtype: object

我是否遗漏了为什么pandas只有describe数据集中的一列？

Answer 1

默认情况下，describe仅适用于数字dtype列。添加关键字参数include='all'。 From the documentation：

如果include是字符串'all'，则输出列集将匹配输入一个。

为了澄清，describe的默认参数是include=None, exclude=None。产生的行为是：

两者都没有（默认）。结果将仅包含数字类型列，如果没有，则只有分类列。

另外，从备注部分：

输出DataFrame索引取决于请求的dtypes：

对于数字dtypes，它将包括：count，mean，std，min，max和   较低，50和较高的百分位数。

对于对象dtypes（例如时间戳或字符串），索引将包括   最常见的计数，唯一，最常见和频率。   时间戳还包括第一个和最后一个项目。

Answer 2

尝试下面的代码

import pandas
df_train = pandas.read_csv(
    "01 - Data/act_train.csv.zip"
)

def describe_categorical(df_train):
    from Ipython.display import display, HTML
    display (HTML(df_train[df_train.columns[df_train.dtypes=="object"]].describe().to_html()))

describe_categorical(df_train)

pandas：pandas.DataFrame.describe仅返回一列的信息

2 个答案: