Bemind
Учебник Python
Учебник Python
  • Python
    • Python Lists
      • Списковые включения в Python (Полное руководство с примерами)
      • Исправление ValueError: Слишком Много Значений Для Распаковки в Python
      • Как добавить словарь в список в Python
      • Как добавить строку в список в Python
      • Разница между массивами и списками в Python
      • Python: Различия между списками и кортежами
      • Как проверить, пуст ли список в Python
      • Как Итерировать (Циклически Проходить) По Списку в Python
      • Python List sort(): Подробное руководство по сортировке списков
      • Python List Extend: Как добавить несколько элементов в список
      • Python: Найти Индекс Всех Вхождений Элемента в Списке
      • Конвертация списка словарей в Pandas DataFrame
      • Генерация случайных чисел в Python
      • Поиск Индекса в Списке Python: Найти Первое, Последнее или Все Вхождения
      • Добавить в начало списка в Python (Вставить в начало)
      • Найти дубликаты в списке Python
      • Python: Умножение Списков (6 Различных Способов)
      • Python списки: Полный обзор
      • Python: Выбор случайного элемента из списка
      • 4 Способа Очистить Список в Python
      • Объяснение ошибки IndexError в Python: индекс списка выходит за пределы допустимого диапазона
      • Python: Получение индекса максимального элемента в списке
      • Python: Объединение списков – Слияние списков (8 способов)
      • Python: Проверка наличия элемента в списке
      • Python: Проверка наличия элемента в списке
      • Удаление элемента из списка в Python (pop, remove, del, clear)
      • Как перевернуть список в Python (6 способов)
      • Python: Замена элемента в списке (6 различных способов)
      • Python: Удаление дубликатов из списка (7 способов)
      • Python: Преобразование словаря в список кортежей (4 простых способа)
      • Python: Перемешать Список (Случайное Распределение Элементов Списка в Python)
      • Python: Пересечение двух списков
      • Python: Вычитание двух списков (4 простых способа!)
      • Длина или Размер Списка в Python: 5 Способов Узнать Длину Списка
      • Python: Транспонирование списка списков (5 простых способов!)
      • Python: Разделение списка (Пополам, на части)
      • Python: Комбинации списка (Получить все комбинации списка)
      • Python: Выравнивание списка списков (4 способа)
      • Разница между списками в Python: Нахождение разницы между двумя списками Python
      • Python: Найти среднее значение списка или списка списков
      • Как добавлять элементы в списки в Python – 4 простых способа!
      • Списковые включения в Python (Полное руководство с примерами)
      • 6 способов преобразовать список Python в строку
    • Python Dictionaries
      • Понимание словаря Python (с примерами)
      • Исправляем ValueError: Слишком Много Значений Для Распаковки в Python
      • Как добавить словарь в список в Python
      • Преобразование JSON в словарь Python
      • Полное руководство по вложенным словарям в Python
      • Копирование словаря в Python: Полное руководство
      • Конвертация списка словарей в Pandas DataFrame
      • Поиск дубликатов в списке Python
      • Полный обзор словарей в Python
      • Python: Добавление пары Ключ:Значение в Словарь
      • Python: Сортировка словаря по значениям
      • Слияние Словарей в Python – Комбинирование Словарей (7 Способов)
      • Python: Удаление Дубликатов из Списка (7 Способов)
      • Python: Преобразование словаря в список кортежей (4 простых способа)
      • Python: Красивая Печать Словаря (Dictionary) – 4 Способа
      • Python: Проверка пуст ли словарь (5 способов!)
      • Copy of Python: Проверка пуст ли словарь (5 способов!)
      • Python: Проверьте, существует ли ключ (или значение) в словаре (5 простых способов)
      • Python: Проверьте, существует ли ключ (или значение) в словаре (5 простых способов)
      • Python: Получение Ключа Словаря с Максимальным Значением (4 Способа)
      • Python: Удаление ключа из словаря (4 разных способа)
      • Как красиво вывести JSON-файл в Python (6 методов)
    • Python Strings
      • Python Капитализация Строк: Руководство по Преобразованию слов в Заглавные
      • Python strip: Как обрезать строку в Python
      • Python Обратная Строка: Руководство по Реверсированию Строк
      • Как Удалить Префикс или Суффикс из Строки в Python
      • Преобразование строки в формат заголовка в Python с помощью str.title()
      • Как добавить строку в список в Python
      • Python String startswith: Проверка, начинается ли строка с подстроки
      • Python String endswith: Проверка того, заканчивается ли строка подстрокой
      • Как удалить первый или последний символ из строки в Python
      • Как исправить: SyntaxError в Python - EOL при сканировании строкового литерала
      • Python String Contains: Проверка Наличия Подстроки в Строке
      • Как проверить, пустая ли строка в Python
      • Python Новая Строка и Как Печатать Без Переноса Строки
      • Как Конкатенировать Строки в Python: Полное Руководство
      • Python: Подсчет слов в строке или файле
      • Как создать список алфавита в Python
      • Python: Конкатенация строки и целого числа (Int)
      • Python: Сортировка строки (4 различных способа)
      • Python zfill и rjust: Добавление нулей в строку в Python
      • Python: Целое в Двоичное (Преобразование целого числа в двоичную строку)
      • Python rfind: Нахождение индекса последней подстроки в строке
      • Python SHA256 хеширование алгоритм: объяснение
      • Python: Усечение числа с плавающей точкой (6 различных способов)
      • Выбор между методами Python isdigit(), isnumeric() и isdecimal()
      • Python: Удаление специальных символов из строки
      • Python Приведение Строки к Нижнему Регистру с помощью .lower(), .casefold(), и .islower()
      • Python программа для проверки, является ли строка палиндромом (6 методов)
      • Python: Найдите все перестановки строки (3 легких способа!)
      • Python: Удаление пунктуации из строки (3 разных способа!)
      • Python: Найти индекс (или все индексы) подстроки в строке
      • Python: Удаление символов новой строки из строки
      • Python: Удаление символа из строки (4 способа)
      • Python: Количество вхождений в строке (4 способа!)
    • Встроенные функции Python
      • abs()
      • ascii()
      • aiter()
      • all()
      • any()
      • anext()
      • bin()
      • bool()
      • breakpoint()
      • bytearray()
      • bytes()
      • callable()
      • chr()
      • classmethod()
      • compile()
      • complex()
      • delattr()
      • dict()
      • dir()
      • divmod()
      • enumerate()
      • eval()
      • exec()
      • filter()
      • float()
      • format()
      • frozenset()
      • getattr()
      • globals()
      • hasattr()
      • hash()
      • help()
      • hex()
      • id()
      • input()
      • int()
      • issubclass()
      • iter()
      • len()
      • list()
      • locals()
      • map()
      • max()
      • memoryview()
      • min()
      • next()
      • object()
      • oct()
      • open()
      • ord()
      • pow()
      • print()
      • property()
      • range()
      • repr()
      • reversed()
      • round()
      • set()
      • setattr()
      • isinstance()
      • slice()
      • zip()
      • type()
      • sorted()
      • staticmethod()
      • str()
      • sum()
      • super()
      • tuple()
      • vars()
      • import()
    • Cобеседования Python. Разбор реальных вопросов.
    • Встроенные методы в Python
  • Учебники по Pandas и Numpy
    • Numpy
      • Функция активации ReLU для глубокого обучения: полное руководство по выпрямленному линейному блоку
      • Как нормализовать массивы NumPy (минимальное-максимальное масштабирование, Z-оценка, L2)
      • NumPy where: Условная обработка элементов массива
      • NumPy linspace: создание равномерно расположенных массивов с помощью np.linspace
      • Как рассчитать векторное произведение в Python
      • Разделение NumPy: Разделение массива NumPy на части
      • NumPy: Лучшие способы применения функции к массиву
      • NumPy full: Создание массивов с заданным значением
      • NumPy clip(): Ограничьте значения массива минимальным и максимальным значениями
      • NumPy cumsum: Расчет кумулятивных сумм массивов NumPy
      • Изучаем функцию np.histogram в NumPy: создаем гистограмму
      • NumPy arange(): Полное руководство (с примерами)
      • Руководство по индексации и срезам массивов NumPy: Полное руководство
      • NumPy argmin(): Получение индекса минимального значения в массивах
      • Выравнивание массива с помощью NumPy flatten
      • Объединение массивов NumPy по различным осям с использованием функции stack
      • Удаление размерности из массивов NumPy с помощью NumPy Squeeze
      • Функция np.repeat() NumPy: Повторение массивов NumPy
      • Использование функции NumPy.exp() для вычисления экспоненты
      • Реализация функции сигмоида на Python
      • NumPy Pad: Использование np.pad() для дополнения массивов и матриц
      • np.argmax(): Как использовать NumPy Argmax
      • NumPy logspace: Понимание функции np.logspace()
      • Использование NumPy Tile для Расположения Массивов
      • NumPy Zeros: Создание массивов и матриц с нулями в NumPy
      • Использование числа Пи в Python (NumPy и Math)
      • Распределение Нормального (Гауссова) Распределения в Numpy (Случайное Нормальное в Numpy)
      • NumPy для Data Science на Python
      • Расчет скалярного произведения с использованием Numpy в Python
      • Расчет натурального логарифма на Python
    • Pandas
      • Python сводные таблицы – Полное руководство
      • Изучение API стиля Pandas
      • Объяснение группировки по нескольким столбцам в Pandas с примерами
      • Удаление индексной колонки DataFrame в Pandas: Руководство с примерами
      • Pandas Quantile: Расчет процентилей в DataFrame
      • Как рассчитать скользящее среднее (среднее арифметическое) в Pandas
      • Руководство по использованию метода fillna в Pandas для работы с отсутствующими данными в DataFrame
      • Pandas unique(): Получение уникальных значений в DataFrame
      • Распакуйте Ваши Данные с Помощью Функции Melt в Pandas
      • Pandas date_range: Как Создать Диапазон Дат в Pandas
      • Сброс индекса в Pandas: как сбросить индекс в Pandas
      • Pandas replace() – Замена значений в DataFrame Pandas
      • Перемещение столбца DataFrame Pandas на позицию (В начало и в конец)
      • Учебное пособие по Python Pandas: полное руководство
      • Pandas: Замена NaN на нули
      • Преобразование DataFrame Pandas в файл Pickle
      • Конвертация Pandas DataFrame в JSON
      • Преобразование DataFrame Pandas в Словарь
      • Преобразование Pandas DataFrame в Список
      • Чтение файлов Parquet в Pandas с помощью pd.read_parquet
      • Pandas dropna(): Удаление отсутствующих записей и столбцов в DataFrame
      • Как Добавить Новый Столбец в DataFrame Pandas
      • Подсчёт уникальных значений в Pandas
      • Отображение всех столбцов и строк в DataFrame Pandas
      • Pandas to_excel: Запись DataFrames в файлы Excel
      • Как использовать Pandas для чтения файлов Excel в Python
      • Преобразование списка словарей в Pandas DataFrame
      • Как добавить/вставить строку в DataFrame Pandas
      • Диаграмма рассеяния в Pandas: Как создать диаграмму рассеяния в Pandas
      • Pandas to_datetime: Преобразование строки Pandas в дату и время
      • Введение в Pandas для Data Science
      • Индексация, Выборка и Присваивание Данных в Pandas
      • Суммирование и Анализ Pandas DataFrame
      • Преобразование столбцов Pandas с помощью map и apply
      • Группировка данных в Pandas с использованием cut и qcut
      • Дата и время в Pandas и Python
      • Очистка и подготовка данных в Pandas и Python
      • Pandas GroupBy: группировка, суммирование и агрегация данных в Python
      • Pandas Дата и Время в Части Даты (месяц, год и т.д.)
      • Pandas: Получение номера строки из DataFrame
      • Вычисление Взвешенного Среднего в Pandas и Python
      • Как перемешать строки Pandas Dataframe в Python
      • Pandas: количество столбцов (подсчет столбцов в DataFrame)
      • Pandas Sum: сложение столбцов и строк DataFrame
      • Pandas Diff: Вычисление Разницы Между Строками Pandas
      • Нормализация столбца или датафрейма Pandas (с использованием Pandas или sklearn)
      • Функция Rank в Pandas: Ранжирование данных в Dataframe (Эквивалент SQL row_number)
      • Pandas Describe: Описательная статистика вашего Dataframe
      • Pandas Shift: Перемещение столбца DataFrame вверх или вниз
      • 7 Способов Выполнения Выборки Данных в Pandas
      • Экспорт DataFrame Pandas в CSV файл – Использование .to_csv()
      • Pandas: Итерация по строкам DataFrame в Pandas
      • Pandas: Преобразование значений столбца в строки
      • Дисперсия в Pandas: Вычисление дисперсии столбца в Pandas Dataframe
      • Pandas: Создание DataFrame из списков (5 способов!)
      • Pandas Rename Index: Как переименовать индекс DataFrame в Pandas
      • Pandas: Подсчёт уникальных значений в объекте GroupBy
      • Pandas: Добавить дни к колонке с датами
      • Среднее в Pandas: Как рассчитать среднее для одной или нескольких колонок
      • Pandas Column to List – Конвертируйте колонку Pandas в список
      • Транспонирование Dataframe в Pandas
      • Python: Разделение DataFrame Pandas
      • Как получить имена столбцов в DataFrame Pandas
      • Pandas: Количество строк в DataFrame (6 способов)
      • Создание пустого DataFrame Pandas и добавление данных
      • Как переименовать столбцы в Pandas DataFrame (с примерами)
      • Изменение порядка столбцов в Pandas: использование метода reindex и метода insert
      • Pandas get_dummies (One-Hot кодирование), объяснение
      • Относительные и Абсолютные Частоты в Python и Pandas
      • Финансовый год – Определение финансового года в Pandas
      • Как сортировать данные в DataFrame Pandas
  • Учебники Matplotlib и Seaborn
    • Seaborn
      • Регрессионные графики в Seaborn с использованием regplot и lmplot
      • Seaborn residplot – Построение остатков линейной регрессии
      • Seaborn jointplot() – Создание совместных графиков в Seaborn
      • Seaborn displot – Распределенческие графики в Python
      • Seaborn ecdfplot – Эмпирические функции накопленного распределения
      • Seaborn rugplot – Визуализация маргинальных распределений
      • Seaborn kdeplot – Создание графиков оценки плотности ядра
      • Seaborn histplot – Создание Гистограмм в Seaborn
      • Seaborn catplot – Визуализация категориальных данных в Python
      • Средняя тенденция для категориальных данных в Seaborn Pointplot
      • Seaborn stripplot: Jitter Plots для распределений категориальных данных
      • Seaborn Countplot – Подсчет категориальных данных в Python
      • Seaborn swarmplot: Bee Swarm Plots для распределения категориальных данных
      • Скрипичные графики Seaborn в Python: Полное руководство
      • Настройка расположения легенд Seaborn, меток, текста и т.д.
      • Тепловая карта Seaborn: Полное руководство
      • Создание многосекционных сеток в Seaborn с помощью FacetGrid
      • Удаление рамки в Seaborn: Как работать с рамкой
      • Заголовки и метки осей в Seaborn: добавление и настройка
      • Как установить Seaborn в Python (Исправление: no module named seaborn)
      • Seaborn relplot – Создание точечных и линейных графиков
      • Полное руководство по созданию точечных диаграмм (scatter plots) в Python с использованием Seaborn
    • Matplotlib
      • Режим Retina в Matplotlib: Улучшение Качества Графиков
      • Как построить функцию в Python с использованием Matplotlib
      • Как создать 3D-диаграммы рассеяния в Matplotlib
      • Как изменить размер шрифта в графике Matplotlib
      • Установка размера маркера в точечных диаграммах Matplotlib
      • Как изменить размер графика и фигуры в Matplotlib
      • Как добавить названия в Matplotlib: Заголовок, Подзаголовок, Названия Осей
      • Pandas Scatter Plot: Как создать диаграмму рассеяния в Pandas
      • Построение графиков в Python с помощью Matplotlib
      • Диаграммы рассеяния Matplotlib – Все, что вам нужно знать
      • Диаграммы с столбцами в Matplotlib – Узнайте все, что вам нужно знать
      • Линейные диаграммы Matplotlib – Всё, что вам нужно знать
      • Построение гистограммы в Python с Matplotlib и Pandas
  • Алгоритмы
    • Алгоритм поиска в ширину (BFS) в Python
    • Алгоритм поиска в глубину (DFS) на Python
  • AI создает хедж-фонд для анализа акций на Python
Powered by GitBook
On this page
  • Что такое статистика дисперсии?
  • Как рассчитать дисперсию в Python
  • Загрузка образца Pandas Dataframe
  • Как рассчитать дисперсию в Pandas для одного столбца
  • Как работать с пропущенными данными при расчете дисперсии Pandas
  • Как рассчитать дисперсию в Pandas для нескольких столбцов
  • Как рассчитать дисперсию в Pandas для Dataframe
  • Заключение
  1. Учебники по Pandas и Numpy
  2. Pandas

Дисперсия в Pandas: Вычисление дисперсии столбца в Pandas Dataframe

PreviousPandas: Преобразование значений столбца в строкиNextPandas: Создание DataFrame из списков (5 способов!)

Last updated 26 days ago

В этом руководстве вы узнаете, как рассчитать дисперсию в Pandas, включая вычисление дисперсии для одного столбца, нескольких столбцов и целого DataFrame Pandas.

Быстрый ответ: используйте Pandas .var()

# Вычисление дисперсии Pandas для одного столбца
import pandas as pd

df = pd.DataFrame({
    'name': ['James', 'Jane', 'Melissa', 'Ed', 'Neil'],
    'ages': [30, 40, 32, 67, 43],
    'ages_missing_data': [30, 40, 32, 67, None],
    'income': [100000, 80000, 55000, 62000, 120000]
})

variance = df['income'].var()
print(variance)

# Возвращает: 722800000.0

Оглавление

Что такое статистика дисперсии?

Термин "дисперсия" используется для измерения разброса чисел в наборе данных. Дисперсия показывает, насколько каждое число отличается от среднего значения всех чисел, тем самым предоставляя способ определить, насколько разбросаны наши данные.

Дисперсия рассчитывается по формуле:

  1. Вычисление разницы между каждым числом и средним значением

  2. Вычисление квадрата каждой разницы

  3. Разделите сумму квадратов разностей на количество наблюдений в вашей выборке минус 1

Формула для дисперсии выглядит так:

Тепер, когда у вас есть хорошее понимание того, что такое мера дисперсии, давайте узнаем, как рассчитать её с помощью Python.

Как рассчитать дисперсию в Python

Прежде чем мы перейдем к тому, как рассчитать дисперсию с помощью Pandas, давайте сначала разберемся, как можно реализовать расчет дисперсии с нуля, используя Python.

# Вычисление дисперсии вручную в Python

numbers = [1,2,3,4,5,6,7,8,9]

def variance(observations):
    mean = sum(observations) / len(observations)
    squared_differences = 0
    for number in observations:
        difference = mean - number
        squared_difference = difference ** 2
        squared_differences += squared_difference
    variance = squared_differences / (len(observations) - 1)

    return variance

print(variance(numbers))

# Возвращает 7.5

В этом коде мы сделали следующее:

  1. Создана функция, которая принимает наблюдения в виде списка

  2. Сначала мы вычисляем среднее значение наблюдений, деля сумму наблюдений на количество наблюдений.

  3. Мы создаем новую переменную, которая будет содержать квадраты разностей, и инициализируем её нулем.

  4. Затем мы перебираем каждое наблюдение, вычисляем разницу с средним и возводим её в квадрат. Это число затем добавляется к значению наших возведённых в квадрат различий.

  5. Наконец, мы делим сумму квадратов отклонений на количество наблюдений минус 1.

К счастью, вам не нужно каждый раз прописывать этот код, чтобы вычислить дисперсию набора данных в Pandas. В следующем разделе вы узнаете, как легко рассчитать дисперсию одного столбца с помощью Pandas.

Загрузка образца Pandas Dataframe

Если вы хотите следить за ходом выполнения руководства, не стесняйтесь загружать датафрейм ниже. Мы включим различные столбцы, включая один, содержащий строки, один с отсутствующими данными и два числовых столбца.

Загрузим датафрейм с помощью следующего кода:

# Загрузка примера Pandas DataFrame

import pandas as pd

df = pd.DataFrame({
    'name': ['James', 'Jane', 'Melissa', 'Ed', 'Neil'],
    'ages': [30, 40, 32, 67, 43],
    'ages_missing_data': [30, 40, 32, 67, None],
    'income':[100000, 80000, 55000, 62000, 120000]
})

print(df)

# Возвращает:
#       name  ages  ages_missing_data  income
# 0    James    30               30.0  100000
# 1     Jane    40               40.0   80000
# 2  Melissa    32               32.0   55000
# 3       Ed    67               67.0   62000
# 4     Neil    43                NaN  120000

Теперь, когда у нас есть DataFrame для работы, давайте начнем вычислять дисперсию для DataFrame в Pandas.

Как рассчитать дисперсию в Pandas для одного столбца

Pandas делает вычисление дисперсии для одного столбца очень простым. В нашем первом примере мы начнем с вычисления различий для столбца, который не содержит пропущенных данных.

Посмотрим, как можно вычислить дисперсию для столбца income :

# Вычисление дисперсии Pandas для одного столбца

import pandas as pd

df = pd.DataFrame({
    'name': ['James', 'Jane', 'Melissa', 'Ed', 'Neil'],
    'ages': [30, 40, 32, 67, 43],
    'ages_missing_data': [30, 40, 32, 67, None],
    'income':[100000, 80000, 55000, 62000, 120000]
})

income_variance = df['income'].var()

print(income_variance)

# Возвращает: 722800000.0

По умолчанию, Pandas использует n-1 как знаменатель. Если мы хотим использовать n как знаменатель, мы можем применить аргумент ddof (дельта степеней свободы) и изменить его значение на 0.

Давайте посмотрим, как это будет выглядеть:

# Вычисление дисперсии Pandas для одного столбца

import pandas as pd

df = pd.DataFrame({
    'name': ['James', 'Jane', 'Melissa', 'Ed', 'Neil'],
    'ages': [30, 40, 32, 67, 43],
    'ages_missing_data': [30, 40, 32, 67, None],
    'income':[100000, 80000, 55000, 62000, 120000]
})

income_variance = df['income'].var(ddof=0)

print(income_variance)

# Возвращает: 578240000.0

В следующем разделе вы узнаете, как обрабатывать пропущенные значения при вычислении дисперсии.

Как работать с пропущенными данными при расчете дисперсии Pandas

Во многих случаях вам может понадобиться работать с несовершенными данными — а именно, иногда данные могут отсутствовать. Поэтому вам нужно будет принимать решения о том, как обрабатывать отсутствующие данные в ваших расчетах. По умолчанию Pandas будет игнорировать отсутствующие данные при вычислении дисперсии.

Давайте рассмотрим расчет дисперсии столбца с пропущенными данными.

# Вычисление дисперсии Pandas для одного столбца с пропущенными данными

import pandas as pd

df = pd.DataFrame({
    'name': ['James', 'Jane', 'Melissa', 'Ed', 'Neil'],
    'ages': [30, 40, 32, 67, 43],
    'ages_missing_data': [30, 40, 32, 67, None],
    'income':[100000, 80000, 55000, 62000, 120000]
})

missing_data_variance = df['ages_missing_data'].var()

print(missing_data_variance)

# Возвращает: 290.9166666666667

Теперь давайте посмотрим, как выглядит дисперсия, когда мы включаем наши отсутствующие данные:

# Вычисление дисперсии Pandas для одного столбца с пропущенными данными

import pandas as pd

df = pd.DataFrame({
    'name': ['James', 'Jane', 'Melissa', 'Ed', 'Neil'],
    'ages': [30, 40, 32, 67, 43],
    'ages_missing_data': [30, 40, 32, 67, None],
    'income':[100000, 80000, 55000, 62000, 120000]
})

missing_data_variance = df['ages_missing_data'].var(skipna=False)

print(missing_data_variance)

# Возвращает: nan

Здесь видно, что когда в столбце есть отсутствующие данные, возвращается na. Чтобы обойти это, можно заменить отсутствующие данные на 0 или вычисленным значением.

В следующем разделе вы узнаете, как вычислить дисперсию для нескольких столбцов в Pandas.

Как рассчитать дисперсию в Pandas для нескольких столбцов

Может быть, множество случаев, когда вы хотите рассчитать дисперсию для нескольких столбцов, чтобы увидеть разброс по связанным переменным.

Чтобы это сделать, мы можем просто индексировать столбцы, для которых хотим вычислить дисперсию, используя двойные квадратные скобки [[]], а затем воспользоваться методом .var() .

Давайте посмотрим, как это:

# Вычисление дисперсии Pandas для нескольких столбцов

import pandas as pd

df = pd.DataFrame({
    'name': ['James', 'Jane', 'Melissa', 'Ed', 'Neil'],
    'ages': [30, 40, 32, 67, 43],
    'ages_missing_data': [30, 40, 32, 67, None],
    'income':[100000, 80000, 55000, 62000, 120000]
})

variances = df[['ages', 'income']].var()
print(variances)

# Возвращает:
# ages            218.3
# income    722800000.0
# dtype: float64

Здесь мы видим, что возвращается серия данных, которая предоставляет имя столбца и дисперсию этих столбцов.

Как рассчитать дисперсию в Pandas для Dataframe

Рассчитать дисперсии для всего датафрейма еще проще. Pandas распознает, если столбец не является числовым, и исключит его из анализа дисперсии.

Просто примените метод .var() к датафрейму, и Pandas вернет серию, содержащую дисперсии для различных числовых столбцов.

Давайте посмотрим, как это выглядит:

# Вычисление дисперсии Pandas для всего dataframe

import pandas as pd

df = pd.DataFrame({
    'name': ['James', 'Jane', 'Melissa', 'Ed', 'Neil'],
    'ages': [30, 40, 32, 67, 43],
    'ages_missing_data': [30, 40, 32, 67, None],
    'income':[100000, 80000, 55000, 62000, 120000]
})

variances = df.var()
print(variances)

# Возвращает:
# ages                 2.183000e+02
# ages_missing_data    2.909167e+02
# income               7.228000e+08
# dtype: float64

Заключение

В этом посте вы узнали, что такое дисперсия, как рассчитать её с нуля с помощью Python, а также как легко вычислить дисперсию в Pandas для одного или нескольких столбцов или для всего датафрейма.

Чтобы узнать больше о методе Pandas .var(), ознакомьтесь с .

официальной документацией здесь
Что такое статистика дисперсии?
Как рассчитать дисперсию в Python
Загрузка образца Pandas Dataframe
Как рассчитать дисперсию в Pandas для одного столбца
Как работать с пропущенными данными при расчете дисперсии Pandas
Как рассчитать дисперсию в Pandas для нескольких столбцов
Как рассчитать дисперсию в Pandas для Dataframe
Заключение
Variance Calculation