Deskriptive Statistik

pandas-Objekte sind mit einer Reihe von gängigen mathematischen und statistischen Methoden ausgestattet. Die meisten von ihnen fallen in die Kategorie der Reduktionen oder zusammenfassenden Statistiken, Methoden, die einen einzelnen Wert (wie die Summe oder den Mittelwert) aus einer Serie oder einer Reihe von Werten aus den Zeilen oder Spalten eines DataFrame extrahieren. Im Vergleich zu ähnlichen Methoden, die sich bei NumPy-Arrays finden, behandeln sie auch fehlende Daten.

import pandas as pd
import numpy as np

df = pd.DataFrame(np.random.randn(7, 3), index=pd.date_range("2022-02-02", periods=7))
new_index = pd.date_range("2022-02-03", periods=7)
df2 = df.reindex(new_index)

df2

	0	1	2
2022-02-03	1.261866	0.441222	-1.085218
2022-02-04	-1.173351	1.061636	0.431207
2022-02-05	1.523073	-1.438948	-0.598065
2022-02-06	-0.315534	-0.048733	-1.239479
2022-02-07	0.168231	-0.905353	-1.304651
2022-02-08	-0.295965	-1.354041	-1.259320
2022-02-09	NaN	NaN	NaN

Der Aufruf der pandas.DataFrame.sum-Methode gibt eine Serie zurück, die Spaltensummen enthält:

df2.sum()

0    1.168319
1   -2.244216
2   -5.055527
dtype: float64

Die Übergabe von axis='columns' oder axis=1 summiert stattdessen über die Spalten:

df2.sum(axis='columns')

2022-02-03    0.617870
2022-02-04    0.319492
2022-02-05   -0.513939
2022-02-06   -1.603747
2022-02-07   -2.041773
2022-02-08   -2.909326
2022-02-09    0.000000
Freq: D, dtype: float64

Wenn eine ganze Zeile oder Spalte alle NA-Werte enthält, ist die Summe 0. Dies kann mit der Option skipna deaktiviert werden:

df2.sum(axis='columns', skipna=False)

2022-02-03    0.617870
2022-02-04    0.319492
2022-02-05   -0.513939
2022-02-06   -1.603747
2022-02-07   -2.041773
2022-02-08   -2.909326
2022-02-09         NaN
Freq: D, dtype: float64

Einige Aggregationen, wie z.B. mean, erfordern mindestens einen Nicht-NaN-Wert, um ein wertvolles Ergebnis zu erhalten:

df2.mean(axis='columns')

2022-02-03    0.205957
2022-02-04    0.106497
2022-02-05   -0.171313
2022-02-06   -0.534582
2022-02-07   -0.680591
2022-02-08   -0.969775
2022-02-09         NaN
Freq: D, dtype: float64

Optionen für Reduktionsmethoden

Methode	Beschreibung
axis	die Achse der zu reduzierenden Werte: 0 für die Zeilen des DataFrame und 1 für die Spalten
skipna	fehlende Werte ausschließen; standardmäßig True
level	nach Ebene gruppiert reduzieren, wenn die Achse hierarchisch indiziert ist (MultiIndex)

Einige Methoden, wie idxmin und idxmax, liefern indirekte Statistiken wie den Indexwert, bei dem der Mindest- oder Höchstwert erreicht wird:

df2.idxmax()

0   2022-02-05
1   2022-02-04
2   2022-02-04
dtype: datetime64[ns]

Andere Methoden sind Akkumulationen:

df2.cumsum()

	0	1	2
2022-02-03	1.261866	0.441222	-1.085218
2022-02-04	0.088514	1.502858	-0.654011
2022-02-05	1.611588	0.063911	-1.252076
2022-02-06	1.296053	0.015177	-2.491555
2022-02-07	1.464285	-0.890176	-3.796207
2022-02-08	1.168319	-2.244216	-5.055527
2022-02-09	NaN	NaN	NaN

Eine andere Art von Methoden sind weder Reduktionen noch Akkumulationen. describe ist ein solches Beispiel, das mehrere zusammenfassende Statistiken auf einen Schlag erstellt:

df2.describe()

	0	1	2
count	6.000000	6.000000	6.000000
mean	0.194720	-0.374036	-0.842588
std	1.027305	1.020624	0.676152
min	-1.173351	-1.438948	-1.304651
25%	-0.310642	-1.241869	-1.254360
50%	-0.063867	-0.477043	-1.162349
75%	0.988457	0.318733	-0.719853
max	1.523073	1.061636	0.431207

Bei nicht-numerischen Daten erzeugt describe alternative zusammenfassende Statistiken:

data = {'Code': ['U+0000', 'U+0001', 'U+0002', 'U+0003', 'U+0004', 'U+0005'],
        'Octal': ['001', '002', '003', '004', '004', '005']}
df3 = pd.DataFrame(data)

df3.describe()

	Code	Octal
count	6	6
unique	6	5
top	U+0000	004
freq	1	2

Deskriptive und zusammenfassende Statistiken:

Methode	Beschreibung
count	Anzahl der Nicht-NA-Werte
describe	Berechnung einer Reihe von zusammenfassenden Statistiken für Serien oder jede DataFrame-Spalte
min, max	Berechnung der Mindest- und Höchstwerte
argmin, argmax	Berechnung der Indexstellen (ganze Zahlen), an denen der Mindest- bzw. Höchstwert erreicht wurde
idxmin, idxmax	Berechnung der Indexbeschriftungen, an denen der Mindest- bzw. Höchstwert erreicht wurde
quantile	Berechnung des Stichprobenquantils im Bereich von 0 bis 1
sum	Summe der Werte
mean	Arithmetisches Mittel der Werte
median	Arithmetischer Median (50%-Quantil) der Werte
mad	Mittlere absolute Abweichung vom Mittelwert
prod	Produkt aller Werte
var	Stichprobenvarianz der Werte
std	Stichprobenstandardabweichung der Werte
skew	Stichprobenschiefe (drittes Moment) der Werte
kurt	Stichprobenwölbung (viertes Moment) der Werte
cumsum	Kumulierte Summe der Werte
cummin, cummax	Kumuliertes Minimum bzw. Maximum der Werte
cumprod	Kumuliertes Produkt der Werte
diff	Berechnung der ersten arithmetischen Differenz (nützlich für Zeitreihen)
pct_change	Berechnung der prozentualen Veränderungen

pandas_profiling

pandas-profiling erzeugt Profilberichte aus einem pandas DataFrame. Die Funktion pandas df.describe() ist praktisch, aber ein wenig einfach für die explorative Datenanalyse. pandas-profiling erweitert pandas DataFrame mit df.profile_report(), die automatisch einen standardisierten Bericht zum Verständnis der Daten erzeugt.

Installation

$ pipenv install pandas_profiling[notebook]
…
✔ Success!
Updated Pipfile.lock (cbc5f7)!
Installing dependencies from Pipfile.lock (cbc5f7)...
  🐍   ▉▉▉▉▉▉▉▉▉▉▉▉▉▉▉▉▉▉▉▉▉▉▉▉▉▉▉▉▉▉▉▉ 80/80 — 00:02:26
…
$ pipenv run jupyter nbextension enable --py widgetsnbextension
Enabling notebook extension jupyter-js-widgets/extension...
      - Validating: OK

Beispiel

from pandas_profiling import ProfileReport

profile = ProfileReport(df2, title="Pandas Profiling Report")

profile.to_widgets()

Konfiguration für große Datensätze

Standardmäßig fasst pandas-profiling den Datensatz so zusammen, dass er die meisten Erkenntnisse für die Datenanalyse liefert. Wenn die Berechnungszeit der Profilerstellung zu einem Engpass wird, bietet pandas-profiling mehrere Alternativen, um diesen zu überwinden. Für die folgenden Beispiele lesen wir zunächst einen größeren Datensatz in pandas ein:

titanic = pd.read_csv(
    "https://raw.githubusercontent.com/datasciencedojo/datasets/master/titanic.csv"
)

1. Minimaler Modus

pandas-profiling enthält eine minimale Konfigurationsdatei config_minimal.yaml, in der die teuersten Berechnungen standardmäßig ausgeschaltet sind. Dies ist die empfohlene Ausgangsbasis für größere Datensätze.

profile = ProfileReport(titanic, title="Minimal Pandas Profiling Report", minimal=True)

profile.to_widgets()

Weitere Details zu Einstellungen und Konfiguration findet ihr unter Available settings.

2. Stichprobe

Eine alternative Möglichkeit bei sehr großen Datensätzen besteht darin, nur einen Teil davon für die Erstellung des Profiling-Berichts zu verwenden:

sample = titanic.sample(frac=0.05)

profile = ProfileReport(sample, title="Sample Pandas Profiling Report")

profile.to_widgets()

3. Teure Berechnungen deaktivieren

Um den Rechenaufwand in großen Datensätzen zu verringern, aber dennoch einige interessante Informationen zu erhalten, können einige Berechnungen nur für bestimmte Spalten gefiltert werden:

profile = ProfileReport()
profile.config.interactions.targets = ["Sex", "Age"]
profile.df = titanic

profile.to_widgets()

Die Einstellung interactions.targets, kann sowohl über Konfigurationsdateien wie auch über Umgebungsvariablen geändert werden; Einzelheiten hierzu findet ihr unter Changing settings.

4. Nebenläufigkeit

Aktuell wird an einem skalierbaren Spark-Backend für pandas-profiling gearbeitet, siehe Spark Profiling Development.