pandas 同时计算 平均值、中位数、极差、最大值和最小值

可以使用 pandas 库中的 describe() 方法来计算这些统计量：

import pandas as pd

# 创建一个数据框
df = pd.DataFrame({'A': [1, 2, 3, 4, 5], 'B': [10, 20, 30, 40, 50]})

# 使用 describe() 方法计算统计量
result = df.describe()

# 打印结果
print(result)

输出：

             A          B
count  5.00000   5.000000
mean   3.00000  30.000000
std    1.58114  15.811388
min    1.00000  10.000000
25%    2.00000  20.000000
50%    3.00000  30.000000
75%    4.00000  40.000000
max    5.00000  50.000000

其中 count 表示数量，mean 表示平均值，std 表示标准差，min 和 max 分别表示最小值和最大值，25%、50% 和 75% 则分别表示第一、二、三个四分位数，也就是数据中分别有 25%、50% 和 75% 的值小于这个数。

相关问题

用python的pandas计算数据集的均值、中位数、众数和中列数、极差、四分位数、四分位数极差

在Python的Pandas库中，你可以使用`DataFrame`的内置函数来轻松计算各种统计数据。以下是如何获取你提到的各种统计量：

1. **平均值 (均值)**: 使用 `mean()` 函数，它返回每列的平均值。

   df['column_name'].mean()

2. **中位数**: 使用 `median()` 函数，它计算的是数值型列的中位数。

   df['column_name'].median()

3. **众数 (出现频率最高的值)**: 使用 `mode()` 函数，适用于分类变量，如果数据是连续的可以用 `value_counts(normalize=True).idxmax()` 来找到最常出现的值。

   df['column_name'].mode().values[0] 或 df['column_name'].value_counts(normalize=True).idxmax()

4. **中位数绝对偏差 (Median Absolute Deviation, MAD)**: 如果你想得到非对称分布数据的离散度测量，可以使用 `mad()` 函数。

   from scipy.stats import mad
   mad_value = mad(df['column_name'])

5. **极差 (Range)**: 通过最大值减去最小值获得。

   df['column_name'].max() - df['column_name'].min()

6. **四分位数 (Quartiles)**: 可以使用 `quantile()` 函数，设置 `q=[0.25, 0.5, 0.75]` 分别获取第一四分位数(Q1), 中位数(Median) 和第三四分位数(Q3)。

   q1, median, q3 = df['column_name'].quantile([0.25, 0.5, 0.75])

7. **四分位数范围 (Interquartile Range, IQR)**: 第三四分位数减去第一四分位数。

   iqr = q3 - q1

记得将 `'column_name'` 替换为你实际需要计算的列名。

python股票统计分析实践：创建股票统计指标的excel文件，数据量不能太少，做如下分析 (1)计算成交量加权平均价格 (2)计算最大值和最小值 (3)计算极差 (4)计算中位数 (5)计算方差 计算股票年波动率以及月波动率

好的，我来为您讲解如何实现这些统计分析。

首先，需要使用pandas模块读取数据，可以使用read_csv函数，例如：

import pandas as pd

df = pd.read_csv('stock_data.csv')

其中，'stock_data.csv'是股票数据的文件名，需要根据实际情况进行修改。

接下来，需要计算成交量加权平均价格，可以使用如下代码：

weighted_price = (df['close'] * df['volume']).sum() / df['volume'].sum()

其中，'close'是收盘价列，'volume'是成交量列。

然后，需要计算最大值和最小值，可以使用max和min函数，例如：

max_price = df['close'].max()
min_price = df['close'].min()

接着，需要计算极差和中位数，可以使用ptp和median函数，例如：

range_price = df['close'].ptp()
median_price = df['close'].median()

最后，需要计算方差，可以使用var函数，例如：

var_price = df['close'].var()

接下来，需要计算股票年波动率和月波动率，可以使用如下代码：

import numpy as np

# 计算日收益率
df['return'] = df['close'].pct_change()

# 计算年波动率
annual_volatility = np.sqrt(252) * df['return'].std()

# 计算月波动率
monthly_volatility = np.sqrt(12) * df['return'].std()

其中，sqrt函数是计算平方根，252和12分别是一年和一个月的交易日数量。

最后，将上述统计指标写入excel文件，可以使用pandas的to_excel函数，例如：

writer = pd.ExcelWriter('stock_statistics.xlsx')
pd.DataFrame({'weighted_price': [weighted_price]}).to_excel(writer, sheet_name='Sheet1', index=False)
pd.DataFrame({'max_price': [max_price], 'min_price': [min_price], 'range_price': [range_price], 'median_price': [median_price], 'var_price': [var_price]}).to_excel(writer, sheet_name='Sheet2', index=False)
pd.DataFrame({'annual_volatility': [annual_volatility], 'monthly_volatility': [monthly_volatility]}).to_excel(writer, sheet_name='Sheet3', index=False)
writer.save()

其中，'stock_statistics.xlsx'是存储统计指标的excel文件名，需要根据实际情况进行修改。Sheet1、Sheet2、Sheet3是分别存储成交量加权平均价格、最大值和最小值、股票年波动率以及月波动率的工作表名，可以根据需要进行修改。