pandas中强大的绘制图表功能——DataFrame.hist()，以及统计分析函数——DataFrame.describe()
2024-05-09 20:16:43
pandas中具有很多很强大的图表绘制功能，今天介绍一个简单好用的绘制数据框DataFrame中某一列数据分布直方图的函数——DataFrame.hist()，顺便介绍一个统计分析函数DataFrame.describe()。
下面通过代码进行展示效果，示例代码中的csv文件是谷歌提供的一个包含加利福尼亚州住房数据的文件。
import pandas as pdcalifornia_housing_dataframe = pd.read_csv("https://storage.googleapis.com/mledu-datasets/california_housing_train.csv", sep=",")
print(california_housing_dataframe)
california_housing_dataframe.describe()以上代码首先通过pandas提供的read_csv()函数读取了csv文件，将其保存为数据框DataFrame类型的数据。然后使用了DataFrame.describe()函数展示了一些有用的统计信息，这个函数在分析一个较大的csv文件时，作为初步的分析工具非常有用。统计结果包括了数据量、均值、方差、最大值、最小值等。以上代码的输出如下：
longitude latitude housing_median_age total_rooms total_bedrooms \
0 -114.31 34.19 15.0 5612.0 1283.0
1 -114.47 34.40 19.0 7650.0 1901.0
2 -114.56 33.69 17.0 720.0 174.0
3 -114.57 33.64 14.0 1501.0 337.0
4 -114.57 33.57 20.0 1454.0 326.0
5 -114.58 33.63 29.0 1387.0 236.0
6 -114.58 33.61 25.0 2907.0 680.0
7 -114.59 34.83 41.0 812.0 168.0
8 -114.59 33.61 34.0 4789.0 1175.0
9 -114.60 34.83 46.0 1497.0 309.0
10 -114.60 33.62 16.0 3741.0 801.0
11 -114.60 33.60 21.0 1988.0 483.0
12 -114.61 34.84 48.0 1291.0 248.0
13 -114.61 34.83 31.0 2478.0 464.0
14 -114.63 32.76 15.0 1448.0 378.0
15 -114.65 34.89 17.0 2556.0 587.0
16 -114.65 33.60 28.0 1678.0 322.0
17 -114.65 32.79 21.0 44.0 33.0
18 -114.66 32.74 17.0 1388.0 386.0
19 -114.67 33.92 17.0 97.0 24.0
20 -114.68 33.49 20.0 1491.0 360.0
21 -114.73 33.43 24.0 796.0 243.0
22 -114.94 34.55 20.0 350.0 95.0
23 -114.98 33.82 15.0 644.0 129.0
24 -115.22 33.54 18.0 1706.0 397.0
25 -115.32 32.82 34.0 591.0 139.0
26 -115.37 32.82 30.0 1602.0 322.0
27 -115.37 32.82 14.0 1276.0 270.0
28 -115.37 32.81 32.0 741.0 191.0
29 -115.37 32.81 23.0 1458.0 294.0
... ... ... ... ... ...
16970 -124.17 40.80 52.0 1606.0 419.0
16971 -124.17 40.80 52.0 1557.0 344.0
16972 -124.17 40.79 43.0 2285.0 479.0
16973 -124.17 40.78 39.0 1606.0 330.0
16974 -124.17 40.77 30.0 1895.0 366.0
16975 -124.17 40.76 26.0 1776.0 361.0
16976 -124.17 40.75 13.0 2171.0 339.0
16977 -124.17 40.62 32.0 1595.0 309.0
16978 -124.18 40.79 39.0 1836.0 352.0
16979 -124.18 40.78 37.0 1453.0 293.0
16980 -124.18 40.78 34.0 1592.0 364.0
16981 -124.18 40.78 33.0 1076.0 222.0
16982 -124.18 40.62 35.0 952.0 178.0
16983 -124.19 41.78 15.0 3140.0 714.0
16984 -124.19 40.78 37.0 1371.0 319.0
16985 -124.19 40.77 30.0 2975.0 634.0
16986 -124.19 40.73 21.0 5694.0 1056.0
16987 -124.21 41.77 17.0 3461.0 722.0
16988 -124.21 41.75 20.0 3810.0 787.0
16989 -124.21 40.75 32.0 1218.0 331.0
16990 -124.22 41.73 28.0 3003.0 699.0
16991 -124.23 41.75 11.0 3159.0 616.0
16992 -124.23 40.81 52.0 1112.0 209.0
16993 -124.23 40.54 52.0 2694.0 453.0
16994 -124.25 40.28 32.0 1430.0 419.0
16995 -124.26 40.58 52.0 2217.0 394.0
16996 -124.27 40.69 36.0 2349.0 528.0
16997 -124.30 41.84 17.0 2677.0 531.0
16998 -124.30 41.80 19.0 2672.0 552.0
16999 -124.35 40.54 52.0 1820.0 300.0 population households median_income median_house_value
0 1015.0 472.0 1.4936 66900.0
1 1129.0 463.0 1.8200 80100.0
2 333.0 117.0 1.6509 85700.0
3 515.0 226.0 3.1917 73400.0
4 624.0 262.0 1.9250 65500.0
5 671.0 239.0 3.3438 74000.0
6 1841.0 633.0 2.6768 82400.0
7 375.0 158.0 1.7083 48500.0
8 3134.0 1056.0 2.1782 58400.0
9 787.0 271.0 2.1908 48100.0
10 2434.0 824.0 2.6797 86500.0
11 1182.0 437.0 1.6250 62000.0
12 580.0 211.0 2.1571 48600.0
13 1346.0 479.0 3.2120 70400.0
14 949.0 300.0 0.8585 45000.0
15 1005.0 401.0 1.6991 69100.0
16 666.0 256.0 2.9653 94900.0
17 64.0 27.0 0.8571 25000.0
18 775.0 320.0 1.2049 44000.0
19 29.0 15.0 1.2656 27500.0
20 1135.0 303.0 1.6395 44400.0
21 227.0 139.0 0.8964 59200.0
22 119.0 58.0 1.6250 50000.0
23 137.0 52.0 3.2097 71300.0
24 3424.0 283.0 1.6250 53500.0
25 327.0 89.0 3.6528 100000.0
26 1130.0 335.0 3.5735 71100.0
27 867.0 261.0 1.9375 80900.0
28 623.0 169.0 1.7604 68600.0
29 866.0 275.0 2.3594 74300.0
... ... ... ... ...
16970 891.0 367.0 1.5850 75500.0
16971 758.0 319.0 1.8529 62500.0
16972 1169.0 482.0 1.9688 70500.0
16973 731.0 327.0 1.6369 68300.0
16974 990.0 359.0 2.2227 81300.0
16975 992.0 380.0 2.8056 82800.0
16976 951.0 353.0 4.8516 116100.0
16977 706.0 277.0 2.8958 86400.0
16978 883.0 337.0 1.7450 70500.0
16979 867.0 310.0 2.5536 70200.0
16980 950.0 317.0 2.1607 67000.0
16981 656.0 236.0 2.5096 72200.0
16982 480.0 179.0 3.0536 107000.0
16983 1645.0 640.0 1.6654 74600.0
16984 640.0 260.0 1.8242 70000.0
16985 1367.0 583.0 2.4420 69000.0
16986 2907.0 972.0 3.5363 90100.0
16987 1947.0 647.0 2.5795 68400.0
16988 1993.0 721.0 2.0074 66900.0
16989 620.0 268.0 1.6528 58100.0
16990 1530.0 653.0 1.7038 78300.0
16991 1343.0 479.0 2.4805 73200.0
16992 544.0 172.0 3.3462 50800.0
16993 1152.0 435.0 3.0806 106700.0
16994 434.0 187.0 1.9417 76100.0
16995 907.0 369.0 2.3571 111400.0
16996 1194.0 465.0 2.5179 79000.0
16997 1244.0 456.0 3.0313 103600.0
16998 1298.0 478.0 1.9797 85800.0
16999 806.0 270.0 3.0147 94600.0 [17000 rows x 9 columns]longitude latitude housing_median_age total_rooms total_bedrooms population households median_income median_house_value
count 17000.000000 17000.000000 17000.000000 17000.000000 17000.000000 17000.000000 17000.000000 17000.000000 17000.000000
mean -119.562108 35.625225 28.589353 2643.664412 539.410824 1429.573941 501.221941 3.883578 207300.912353
std 2.005166 2.137340 12.586937 2179.947071 421.499452 1147.852959 384.520841 1.908157 115983.764387
min -124.350000 32.540000 1.000000 2.000000 1.000000 3.000000 1.000000 0.499900 14999.000000
25% -121.790000 33.930000 18.000000 1462.000000 297.000000 790.000000 282.000000 2.566375 119400.000000
50% -118.490000 34.250000 29.000000 2127.000000 434.000000 1167.000000 409.000000 3.544600 180400.000000
75% -118.000000 37.720000 37.000000 3151.250000 648.250000 1721.000000 605.250000 4.767000 265000.000000
max -114.310000 41.950000 52.000000 37937.000000 6445.000000 35682.000000 6082.000000 15.000100 500001.000000下面就可以介绍今天的重点内容了：DataFrame.hist()。通过下面一行代码，就能简单迅速的画出某一列中的值的分布直方图：
california_housing_dataframe.hist('housing_median_age')
pandas中强大的绘制图表功能——DataFrame.hist()，以及统计分析函数——DataFrame.describe()相关推荐
- Pandas中兼并数组和字典功能的Series 2013-03-24 11:24:00 分类： Python/Ruby In [2]: # 这段代码用于并排显示多个Series对象 from it
Pandas中兼并数组和字典功能的Series 2013-03-24 11:24:00 分类: Python/Ruby In [2]: # 这段代码用于并排显示多个Series对象 from iter ...
- 简单的计算机程序代码,优秀程序员通过简单代码，窥探电脑编程中强大的数组操作功能...
优秀程序员通过简单代码,窥探电脑编程中强大的数组操作功能.编程语言中,数组是一个非常重要的概念,也是一种很常用的类型.本文中通过javascript语言的代码实例,展现编程中数组的魅力.在javasc ...
- 利用 Windows Vista 和 WCF 中强大的 P2P 通信功能[MSDN]
点对点技术 利用 Windows Vista 和 WCF 中强大的 P2P 通信功能 发布日期: 2006-10-17 | 更新日期: 2006-10-17 Justin Smith 本文基于 Win ...
- React中使用echarts绘制图表
我们都知道,Echarts图表功能非常强大,使用起来也很方便,我们的项目中就用到了Echarts,现在笔者就带大家看看怎么在react中使用Echarts. 我们要想在react项目中高效使用echa ...
- [codeigniter]CI中使用pChart绘制图表,已测通过
因为一个codeigniter开发的项目上要用到图表.FusionChart是flash技术,在某些情况下可能造成无法使用(如ipad).因此不禁想起了之前用Pchart做的图表项目. 但是毕竟是在C ...
- 利用 Windows Vista 和 WCF 中强大的 P2P 通信功能 [转]
从传统意义来说,P2P 应用程序开发所面临的难题包括:需要开发用于消息交换的专用协议:必须查找并连接隐藏在"网络地址转换"(NAT) 或防火墙背后的某应用程序的实例:需要支持在广域 ...
- 利用 Windows Vista 和 WCF 中强大的 P2P 通信功能
从传统意义来说,P2P 应用程序开发所面临的难题包括:需要开发用于消息交换的专用协议:必须查找并连接隐藏在"网络地址转换"(NAT) 或防火墙背后的某应用程序的实例:需要支持在广域 ...
- android开发比例图表,Android开发中如何使用绘制图表
[IT168技术]在日常的统计中,经常要用图表来给用户恰当的数据体验,比如用饼状图,柱型图等.在传统的web中,有比较多的开源的这方面的解决方案.本文将简单介绍如何在Android中,如何使用开源工具 ...
- python中使用matplotlib绘制图表
Pyplot 是 Matplotlib 的子库,提供了和 MATLAB 类似的绘图 API import matplotlib.pyplot as plt fig = plt.figure() ax ...
最新文章
- Pod在多可用区worker节点上的高可用部署
- java 8代码 改 java7_Window安装JDK7和JDK8，并一键切换
- opencv 图像分割
- MobileNetV3 vs efficientnet
- MFC BEGIN_MESSAGE_MAP()
- 处理 read_csv 报错 OSError:Initializing from file failed
- 记录我的学习历程--二维数组解决平面图形题
- python给空列表赋值_Python Pandas：如果数据是NaN,则更改为0,否则在数据框中更改为1...
- python的基础 杂项（十四）
- mysql与win8有冲突吗_Win8系统Defender功能和安全软件冲突怎么办
- [C++基础]039_C++异常处理初级出门+中级进阶
- xp彻底删除mysql_xp彻底清除mysql数据库
- mac电脑用计算机名共享打印机,从Mac连接Windows共享打印机（2)
- 一款完整的多用户微信公众平台开发源码，带文档免费分享
- 飞思卡尔芯片k66单片机溢出_飞思卡尔HCS12系列 Flash的加密解密解决方法
- 【观察】UCloud：决胜东南亚“正当时”，做出海企业“加速器”
- appscan如何扫描移动应用APP
- CapstoneCS5212|CapstoneCS5218|DP转VGA1080P方案设计| DP转HDMI4K 30Hz方案设计
- HbuilderX 启动微信小程序 无法打开项目
- Android 实现短信接收监听--（短信动态权限添加）