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 numpy as np
import pandas as pd


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	-0.620864	0.196322	-0.795490
2022-02-04	2.124922	-0.719332	-1.097980
2022-02-05	-1.836651	-1.733610	0.297066
2022-02-06	0.151839	0.011681	-1.157835
2022-02-07	-1.180802	0.263522	-0.895572
2022-02-08	-1.310820	0.810454	-1.238823
2022-02-09	NaN	NaN	NaN

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

df2.sum()

0   -2.672376
1   -1.170963
2   -4.888635
dtype: float64

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

df2.sum(axis="columns")

2022-02-03   -1.220032
2022-02-04    0.307609
2022-02-05   -3.273195
2022-02-06   -0.994315
2022-02-07   -1.812853
2022-02-08   -1.739189
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   -1.220032
2022-02-04    0.307609
2022-02-05   -3.273195
2022-02-06   -0.994315
2022-02-07   -1.812853
2022-02-08   -1.739189
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   -0.406677
2022-02-04    0.102536
2022-02-05   -1.091065
2022-02-06   -0.331438
2022-02-07   -0.604284
2022-02-08   -0.579730
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   2022-02-04
1   2022-02-08
2   2022-02-05
dtype: datetime64[ns]

Andere Methoden sind Akkumulationen:

df2.cumsum()

	0	1	2
2022-02-03	-0.620864	0.196322	-0.795490
2022-02-04	1.504058	-0.523010	-1.893470
2022-02-05	-0.332593	-2.256620	-1.596405
2022-02-06	-0.180754	-2.244939	-2.754240
2022-02-07	-1.361556	-1.981417	-3.649812
2022-02-08	-2.672376	-1.170963	-4.888635
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	-0.445396	-0.195161	-0.814773
std	1.429642	0.901030	0.569351
min	-1.836651	-1.733610	-1.238823
25%	-1.278316	-0.536579	-1.142872
50%	-0.900833	0.104002	-0.996776
75%	-0.041337	0.246722	-0.820510
max	2.124922	0.810454	0.297066

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

ydata_profiling

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

Installation

$ pipenv install ydata_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 ydata_profiling import ProfileReport


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

profile.to_widgets()

Konfiguration für große Datensätze

Standardmäßig fasst ydata-profiling den Datensatz so zusammen, dass er die meisten Erkenntnisse für die Datenanalyse liefert. Wenn die Berechnungszeit der Profilerstellung zu einem Engpass wird, bietet ydata-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

ydata-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 ydata-profiling gearbeitet, siehe Spark Profiling Development.