pandas库mad函数

Pandas库中的`mad`函数全称为“Median Absolute Deviation”，即中位数绝对偏差。它是一个统计量，用于衡量数据分布的离散程度，相比于标准差，mad更稳健，因为它对异常值的敏感度较低。这个函数计算输入序列（通常是一列数据）的每个元素与中位数之间的绝对差异，然后返回这些差异的中位数。

使用`mad`函数的语法通常是这样的：

import pandas as pd
df['column_name'].mad()

在这里，`df['column_name']`是你想要计算mad的数据列。它能提供给数据分析者一种非参数的、对于大规模数据集更为稳定的离群点检测方法。

相关问题

pandas的mad

### Pandas `mad` 方法详解

#### 定义与功能
`mad` 是 pandas 库中的一个用于计算平均绝对偏差的方法。该方法基于均值来衡量数据集内各个数值偏离中心的趋势，提供了一种评估离散程度的方式[^3]。

#### 参数列表
- **axis**: {index (0), columns (1)} 默认为 0 表示沿垂直方向操作；设置为 1 则表示水平方向。
- **skipna**: bool 类型，默认 True。如果设为 False，在遇到 NA/null 数据时不跳过这些值而返回 NA。
- **level**: int 或 label，默认 None。仅当 axis 属于 MultiIndex （具有多层索引结构的数据框）时有效，指定在哪一层上执行聚合运算。

#### 返回值
调用此函数后会得到一个新的 Series 或者 DataFrame 实例作为结果，其中包含了原始输入中每一列相对于其算术平均数的平均绝对差异。

#### 示例代码展示
下面通过具体实例演示如何利用 `mad` 函数：

import numpy as np
import pandas as pd

# 创建含有缺失值的数据帧
df = pd.DataFrame([
    ['Tom', np.nan, 45.1],
    [np.nan, np.nan, np.nan],
    ['Merry', 3.4, 15],
    ['John', 23, np.nan],
    ['Joe', 18, 34.5]
], columns=['name', 'age', 'salary'])

print("Original Data Frame:")
print(df)

# 计算 salary 列除掉 NaN 后关于 mean 的 MAD 并显示出来
result_salary_mad = df['salary'].mad()
print("\nMean Absolute Deviation of Salary Column:", result_salary_mad)

pandas归一化平均偏差

pandas中的归一化平均偏差（Normalized Mean Deviation）是一种用于衡量数据集中值的离散程度的统计指标。它是平均绝对偏差（Mean Absolute Deviation，MAD）除以数据集的平均值的结果。

在pandas中，可以使用`mad()`函数来计算归一化平均偏差。该函数可以应用于Series或DataFrame对象。

下面是一个示例代码，展示如何使用pandas计算归一化平均偏差：

import pandas as pd

# 创建一个示例数据集
data = {'A': [1, 2, 3, 4, 5],
        'B': [6, 7, 8, 9, 10]}
df = pd.DataFrame(data)

# 计算归一化平均偏差
normalized_mad = df.mad() / df.mean()
print(normalized_mad)

输出结果将是每列数据的归一化平均偏差值。