<code># 179、pandas.Series.std方法

pandas.Series.std(axis=None, skipna=True, ddof=1, numeric_only=False, **kwargs)

Return sample standard deviation over requested axis.

Normalized by N-1 by default. This can be changed using the ddof argument.

Parameters:

axis{index (0)}

For Series this parameter is unused and defaults to 0.

Warning

The behavior of DataFrame.std with axis=None is deprecated, in a future version this will reduce over both axes and return a scalar To retain the old behavior, pass axis=0 (or do not pass axis).

skipnabool, default True

Exclude NA/null values. If an entire row/column is NA, the result will be NA.

ddofint, default 1

Delta Degrees of Freedom. The divisor used in calculations is N - ddof, where N represents the number of elements.

numeric_onlybool, default False

Include only float, int, boolean columns. Not implemented for Series.

Returns:

scalar or Series (if level specified)

Notes

To have the same behaviour as numpy.std, use ddof=0 (instead of the default ddof=1)

179-2、参数

179-2-1、axis(可选，默认值为None)：用于指定计算的轴，对于Series来说，通常不需要指定。

179-2-2、skipna(可选，默认值为True)：布尔值，如果为True，则在计算标准误时会忽略NaN值；如果为False，则遇到NaN值会返回NaN。

179-2-3、ddof(可选，默认值为1)：Delta Degrees of Freedom，样本的自由度，在计算标准误时，通常设置为1，表示使用样本标准差；设置为0将使用总体标准差。

179-2-4、numeric_only(可选，默认值为False)：布尔值，如果为True，则仅计算数值类型的数据；如果为False，则包括所有类型。如果数据中含有非数值类型的列且numeric_only为False，则可能导致类型错误。

179-2-5、**kwargs(可选)：其他关键字参数，用于后续扩展功能做预留。

179-3、功能

        计算Series中数据的标准差，标准差是衡量数据分布离均值的远近程度的指标，反映了数据的离散程度。具体来讲，如果标准差小，说明数据点相对集中；如果标准差大，说明数据点分散得比较开。

179-4、返回值

179-4-1、返回一个浮点数，表示Series中数值数据的标准差。

179-4-2、如果Series中全部值为NaN或者没有有效数值，返回NaN。

179-5、说明

        使用场景：

179-5-1、数据分析：在数据分析过程中，了解数据的分布特征非常重要，标准差可以帮助分析师评估数据的离散程度，从而更好地理解数据的波动性。

179-5-2、质量控制：在生产和质量管理中，监控产品的测量值并计算标准差，可用于判断生产过程的稳定性和一致性，较低的标准差表示生产过程的一致性较高。

179-5-3、金融分析：在金融市场中，投资者常常利用标准差来衡量投资回报的风险，高标准差表明投资回报的不确定性大，可能意味着更高的风险。

179-5-4、实验数据处理：在科学实验中，标准差用于描述实验数据的测量误差和结果的可靠性，通过计算标准差，科研人员可以评估实验结果的变异程度。

179-5-5、机器学习：在特征工程中，计算标准差有助于进行数据预处理，识别和处理离群值，此外，标准差可以作为特征之一用于模型训练和评估。

179-5-6、健康研究：在医学和公共卫生领域，研究者通过计算健康指标(如体重、血压等)的标准差来评估人群的健康状况，以及不同人群之间的差异。

179-6、用法

179-6-1、数据准备

无

179-6-2、代码示例

# 179、pandas.Series.std方法

# 179-1、数据分析

import pandas as pd

# 创建一个示例数据集

data = {'scores': [78, 85, 90, 93, 88, 95, 80]}

df = pd.DataFrame(data)

# 计算分数的标准差

std_dev = df['scores'].std()

print(f"分数的标准差为: {std_dev}")

# 179-2、质量控制

import pandas as pd

# 生产过程中测量的产品尺寸

measurements = [10.1, 10.2, 10.1, 10.3, 10.5, 10.2, 10.4]

df = pd.DataFrame(measurements, columns=['size'])

# 计算尺寸的标准差

std_dev = df['size'].std()

print(f"产品尺寸的标准差为: {std_dev}")

# 179-3、金融分析

import pandas as pd

# 创建一个示例数据集，表示股价每日收益

returns = [0.02, 0.03, -0.01, 0.04, 0.01, -0.02, 0.03]

df = pd.DataFrame(returns, columns=['returns'])

# 计算每日收益的标准差

std_dev = df['returns'].std()

print(f"每日收益的标准差为: {std_dev}")

# 179-4、实验数据处理

import pandas as pd

# 每次实验的测量结果

results = [5.2, 5.3, 5.1, 5.4, 5.3, 5.5]

df = pd.DataFrame(results, columns=['experiment'])

# 计算实验结果的标准差

std_dev = df['experiment'].std()

print(f"实验结果的标准差为: {std_dev}")

# 179-5、机器学习

import pandas as pd

# 创建特征数据集

data = {

'feature1': [1.2, 1.5, 1.1, 1.4, 1.3],

'feature2': [2.1, 2.0, 2.2, 2.4, 2.3]

}

df = pd.DataFrame(data)

# 计算每个特征的标准差

std_dev_feature1 = df['feature1'].std()

std_dev_feature2 = df['feature2'].std()

print(f"特征1的标准差为: {std_dev_feature1}")

print(f"特征2的标准差为: {std_dev_feature2}")

# 179-6、健康研究

import pandas as pd

# 创建一个示例数据集，表示一组人的体重（单位: kg）

weights = [65, 70, 68, 72, 64, 66, 69]

df = pd.DataFrame(weights, columns=['weight'])

# 计算体重的标准差

std_dev = df['weight'].std()

print(f"体重的标准差为: {std_dev}")

179-6-3、结果输出

# 179、pandas.Series.std方法

# 179-1、数据分析

# 分数的标准差为: 6.377042156569663

# 179-2、质量控制

# 产品尺寸的标准差为: 0.1511857892036912

# 179-3、金融分析

# 每日收益的标准差为: 0.022253945610567476

# 179-4、实验数据处理

# 实验结果的标准差为: 0.14142135623730964

# 179-5、机器学习

# 特征1的标准差为: 0.15811388300841892

# 特征2的标准差为: 0.1581138830084189

# 179-6、健康研究

# 体重的标准差为: 2.8702082220799308

180、pandas.Series.sum方法

180-1、语法

# 180、pandas.Series.sum方法

pandas.Series.sum(axis=None, skipna=True, numeric_only=False, min_count=0, **kwargs)

Return the sum of the values over the requested axis.

This is equivalent to the method numpy.sum.

Parameters:

axis{index (0)}

Axis for the function to be applied on. For Series this parameter is unused and defaults to 0.

Warning

The behavior of DataFrame.sum with axis=None is deprecated, in a future version this will reduce over both axes and return a scalar To retain the old behavior, pass axis=0 (or do not pass axis).

New in version 2.0.0.

skipnabool, default True

Exclude NA/null values when computing the result.

numeric_onlybool, default False

Include only float, int, boolean columns. Not implemented for Series.

min_countint, default 0

The required number of valid values to perform the operation. If fewer than min_count non-NA values are present the result will be NA.

**kwargs

Additional keyword arguments to be passed to the function.

Returns:

scalar or scalar

180-2、参数

180-2-1、axis(可选，默认值为None)：对于Series来说，axis参数不适用，主要用于DataFrame时指定轴的方向。

180-2-2、skipna(可选，默认值为True)：指示在计算总和时是否跳过缺失值(NaN)，如果设置为False，则总和将在遇到NaN时为NaN。

180-2-3、numeric_only(可选，默认值为False)：若为True，只有数值类型的列才会被计算。如果是DataFrame，将忽略非数值类型的数据；对于Series，此参数通常不起作用。

180-2-4、min_count(可选，默认值为0)：计算总和所需的最小非 NA/null 值数量，若非NA值的数量少于min_count，则结果将为NaN。

180-2-5、**kwargs(可选)：其他关键字参数，用于后续扩展功能做预留。

180-3、功能

        计算Series中所有元素的总和，它会将系列中的数值元素相加，通常会跳过缺失值(NaN)，除非指定不跳过，此外，它也可以根据参数设置的要求，返回特定条件下的计算结果。

180-4、返回值

        返回一个数值，表示总和。如果计算过程中所有元素都是缺失值(NaN)或者符合设置的条件不满足(如min_count参数)，则返回结果为NaN。

180-5、说明

        使用场景：

180-5-1、数据汇总：当需要对一组数值数据进行汇总统计时，可以使用sum()方法快速得出总和。例如，在财务数据分析中，可以计算一段时间内的总收入或总支出。

180-5-2、缺失值处理：在数据清洗过程中，经常会遇到缺失值。使用sum()方法的skipna参数，可以灵活地选择是否包含缺失值进行计算，帮助分析数据的完整性。

180-5-3、条件过滤后求和：结合布尔索引，可以先对数据进行过滤，再使用sum()方法计算满足特定条件的数据总和。例如，可以计算某一产品类别的总销量。

180-5-4、时间序列分析：在处理时间序列数据时，常常需要计算一定时间段内的总和，例如每月的总销售额或每年的总收益。

180-5-5、组合计算：在多重指标分析中，可能需要对多个Series的总和进行比较或组合运算sum()方法可以提供便利。

180-5-6、数据报告生成：在生成数据报告或可视化时，常常需要提供一些基本的统计信息，包括总和，以展示数据的整体情况。

180-5-7、性能优化：在进行高性能数据处理时，使用sum()方法可以利用Pandas内部优化，提升计算速度，尤其在处理大数据集时尤为重要。

180-6、用法

180-6-1、数据准备

无

180-6-2、代码示例

# 180、pandas.Series.sum方法

# 180-1、数据汇总

import pandas as pd

# 创建一个包含销售数据的Series

sales = pd.Series([200, 300, 150, 400, 250])

# 计算总销售额

total_sales = sales.sum()

print(f"总销售额: {total_sales}")

# 180-2、缺失值处理

import pandas as pd

import numpy as np

# 创建一个包含缺失值的Series

data = pd.Series([10, 20, np.nan, 40, 50])

# 计算总和，跳过缺失值

total_sum = data.sum(skipna=True)

print(f"总和(跳过缺失值): {total_sum}")

# 180-3、条件过滤后求和

import pandas as pd

# 创建一个包含产品销售数据的Series

sales = pd.Series([100, 200, 300, 400], index=['A', 'B', 'A', 'B'])

# 计算产品 'A' 的总销售额

a_total_sales = sales[sales.index == 'A'].sum()

print(f"产品A的总销售额: {a_total_sales}")

# 180-4、时间序列分析

import pandas as pd

# 创建一个时间序列数据

dates = pd.date_range('2023-01-01', periods=5)

sales_data = pd.Series([100, 150, 200, 250, 300], index=dates)

# 计算月销售总和

monthly_total = sales_data.sum()

print(f"本月销售总和: {monthly_total}")

# 180-5、组合计算

import pandas as pd

# 创建多个Series数据

sales_A = pd.Series([100, 200, 300])

sales_B = pd.Series([150, 250, 100])

# 计算各自的总和并组合

total_A = sales_A.sum()

total_B = sales_B.sum()

combined_total = total_A + total_B

print(f"产品A和B的总销售额: {combined_total}")

# 180-6、数据报告生成

import pandas as pd

# 假设我们有一个数据框包含一些产品的销量

data = {'Product': ['A', 'B', 'C'],

'Sales': [300, 150, 200]}

df = pd.DataFrame(data)

# 计算总销售额以生成报告

total_sales = df['Sales'].sum()

print(f"所有产品的总销售额: {total_sales}")

# 180-7、性能优化

import pandas as pd

import numpy as np

# 创建一个包含大量数据的Series

large_series = pd.Series(np.random.rand(10**6))

# 计算总和

total_sum = large_series.sum()

print(f"大数据集的总和: {total_sum}")

180-6-3、结果输出

# 180、pandas.Series.sum方法

# 180-1、数据汇总

# 总销售额: 1300

# 180-2、缺失值处理

# 总和(跳过缺失值): 120.0

# 180-3、条件过滤后求和

# 产品A的总销售额: 400

# 180-4、时间序列分析

# 本月销售总和: 1000

# 180-5、组合计算

# 产品A和B的总销售额: 1100

# 180-6、数据报告生成

# 所有产品的总销售额: 650

# 180-7、性能优化

# 大数据集的总和: 499809.22077620646

二、推荐阅读

1、Python筑基之旅

2、Python函数之旅

3、Python算法之旅

4、Python魔法之旅

5、博客个人主页