Pandas数据分析：统计计算完全指南

本文将全面介绍如何使用Pandas进行数据统计分析，涵盖基础统计量计算、分组聚合等核心功能。

数据准备

我们以经典的泰坦尼克号乘客数据集为例：

import pandas as pd
titanic = pd.read_csv("data/titanic.csv")
titanic.head()

该数据集包含乘客年龄、票价、舱位等级、性别等多维信息，非常适合演示统计分析方法。

基础统计量计算

单列统计

计算乘客平均年龄：

titanic["Age"].mean()

Pandas提供多种统计方法：

• mean(): 平均值
• median(): 中位数
• std(): 标准差
• min()/max(): 最小/最大值
• count(): 非空值计数

多列统计

同时计算年龄和票价的中位数：

titanic[["Age", "Fare"]].median()

使用describe()快速获取描述性统计：

titanic[["Age", "Fare"]].describe()

自定义统计组合

通过agg()方法灵活指定统计量：

titanic.agg({
    "Age": ["min", "max", "median", "skew"],
    "Fare": ["min", "max", "median", "mean"]
})

分组统计

单列分组

计算不同性别乘客的平均年龄：

titanic[["Sex", "Age"]].groupby("Sex").mean()

这遵循"拆分-应用-合并"模式：

1. 按性别拆分数据
2. 对每组应用均值计算
3. 合并结果

多列分组

计算性别和舱位组合的平均票价：

titanic.groupby(["Sex", "Pclass"])["Fare"].mean()

类别计数

统计各舱位乘客数量：

titanic["Pclass"].value_counts()

这等价于：

titanic.groupby("Pclass")["Pclass"].count()

注意区分：

• size: 包含NaN值的计数
• count: 排除NaN值的计数

最佳实践建议

1. 处理分类数据时，考虑使用Categorical类型
2. 分组前明确需要统计的列，避免无意义计算
3. 大型数据集可先抽样验证统计逻辑
4. 注意缺失值对统计结果的影响

通过掌握这些统计方法，您能够快速洞察数据分布特征，为后续分析奠定基础。