176-2-5、Python魔法之旅

5、功能

177-4、数据探索与分析# Column A skewness: -0.04151967450030536# Column B skewness: 1.989655358177879# 178-2、结果输出

# 178、skipna(可选，默认值为True)：布尔值，如果为True，则在计算偏度时会跳过缺失值；如果为False，则包含缺失值计算。说明
        使用场景：
178-5-1、语法
# 177、如果计算过程中所有元素都是缺失值(NaN)或者符合设置的条件不满足(如min_count参数)，则返回结果为NaN。返回值
179-4-1、数据报告生成import pandas as pd# 假设我们有一个数据框包含一些产品的销量data = {'Product': ['A', 'B', 'C'],        'Sales': [300, 150, 200]}df = pd.DataFrame(data)# 计算总销售额以生成报告total_sales = df['Sales'].sum()print(f"所有产品的总销售额: {total_sales}")# 180-7、血压等)的标准差来评估人群的健康状况，以及不同人群之间的差异。skipna(可选，默认值为True)：布尔值，如果为True，则在计算标准误时会忽略NaN值；如果为False，则遇到NaN值会返回NaN。
180-5-2、例如，右偏分布可能意味着存在较大的极端值，左偏分布则相反，识别这些情况可以帮助清洗数据，确保模型训练的有效性。如果Series中全部值为NaN或者没有有效数值，返回NaN。市场调查# 顾客满意度均值: 4.00# 顾客满意度标准误: 0.38# 177-3、语法
# 179、说明
179-6、语法
# 178、**kwargs(可选)：其他关键字参数，用于后续扩展功能做预留。返回值
176-5、参数
178-3、机器学习import pandas as pd# 创建特征数据集data = {    'feature1': [1.2, 1.5, 1.1, 1.4, 1.3],    'feature2': [2.1, 2.0, 2.2, 2.4, 2.3]}df = pd.DataFrame(data)# 计算每个特征的标准差std_dev_feature1 = df['feature1'].std()std_dev_feature2 = df['feature2'].std()print(f"特征1的标准差为: {std_dev_feature1}")print(f"特征2的标准差为: {std_dev_feature2}")# 179-6、报告与可视化见图2
 图1：
图2：
 
179、说明
180-6、数据探索与分析import pandas as pdimport numpy as np# 生成一个包含随机数的DataFramedata = {    'A': np.random.normal(loc=0, scale=1, size=1000),    'B': np.random.exponential(scale=1, size=1000)  # 右偏分布}df = pd.DataFrame(data)# 计算偏度skewness_A = df['A'].skew()skewness_B = df['B'].skew()print(f"Column A skewness: {skewness_A}")print(f"Column B skewness: {skewness_B}", end='\n\n')# 178-2、
179-6、市场调查：在市场调研中，调查员可能会收集顾客满意度评分，通过计算评分的均值和标准误，来判断消费者对产品的总体反馈是否可靠。健康研究import pandas as pd# 创建一个示例数据集，表示一组人的体重（单位: kg）weights = [65, 70, 68, 72, 64, 66, 69]df = pd.DataFrame(weights, columns=['weight'])# 计算体重的标准差std_dev = df['weight'].std()print(f"体重的标准差为: {std_dev}")
179-6-3、参数
179-3、特征工程# Original skewness: 2.33# Transformed skewness: 0.12# 178-4、参数
180-2-1、数据探索与分析：在数据分析过程中，了解数据的分布特征是非常重要的，通过计算偏度，可以帮助分析师确定数据是否呈现对称分布，进而影响后续的数据处理和建模策略。用法
178-6-1、pandas.Series.std方法
179-1、组合计算import pandas as pd# 创建多个Series数据sales_A = pd.Series([100, 200, 300])sales_B = pd.Series([150, 250, 100])# 计算各自的总和并组合total_A = sales_A.sum()total_B = sales_B.sum()combined_total = total_A + total_Bprint(f"产品A和B的总销售额: {combined_total}")# 180-6、pandas.Series.sum方法
180-1、金融与经济学分析# Skewness of asset returns: -0.01# 178-5、
'dense'：类似于最小排名，但排名是连续的。用法
179-6-1、语法
177-2、参数
176-3、
178-3、如果数据中含有非数值类型的列且numeric_only为False，则可能导致类型错误。金融分析：在金融市场中，投资者常常利用标准差来衡量投资回报的风险，高标准差表明投资回报的不确定性大，可能意味着更高的风险。pandas.Series.skew方法# 178-1、数据准备
178-6-2、
178-5-2、
179-5-2、语法
178-2、**kwargs(可选)：其他关键字参数，用于后续扩展功能做预留。pandas.Series.std方法# 179-1、pandas.Series.rank方法# 176-1、医学研究：在临床试验或医学研究中，研究人员通常需要计算一组病人测量数据(如血压、具体来讲，如果标准差小，说明数据点相对集中；如果标准差大，说明数据点分散得比较开。
176-3、数据准备
无
179-6-2、功能
        用于计算系列的标准误(Standard Error of the Mean)，这是数据分析中常用的一种统计指标，反映了样本均值的可靠性。参数
180-3、pandas.Series.rank方法
176-1、说明
177-6、异常值检测：偏度可以指示数据是否存在异常值或极端值。异常值检测见图1# 178-3、缺失值处理# 总和(跳过缺失值): 120.0# 180-3、语法
176-2、pandas.Series.skew方法
178-1、pandas.Series.skew方法
178-1、金融分析# 每日收益的标准差为: 0.022253945610567476# 179-4、
179-5、代码示例
176-6-3、skipna(可选，默认值为True)：布尔值，如果为True，则在计算标准误时会忽略NaN值；如果为False，则遇到NaN值会返回NaN。实验数据分析：在科学实验中，研究人员可能会收集多次实验的结果，并计算这些结果的均值和标准误，以了解实验测量的一致性和变异性。
177-5-6、推荐阅读
1、pandas.Series.sum方法# 180-1、金融分析# 月收益率均值: 0.03# 月收益率标准误: 0.01# 177-5、数据准备
无
177-6-2、
180-5、ascending(可选，默认值为True)：如果为False，则进行降序排名。
177-3、实验数据处理import pandas as pd# 每次实验的测量结果results = [5.2, 5.3, 5.1, 5.4, 5.3, 5.5]df = pd.DataFrame(results, columns=['experiment'])# 计算实验结果的标准差std_dev = df['experiment'].std()print(f"实验结果的标准差为: {std_dev}")# 179-5、特征工程import pandas as pdimport numpy as npfrom sklearn.preprocessing import PowerTransformer# 创建一个带偏度的特征df_feature = pd.DataFrame({'D': np.random.exponential(scale=1, size=1000)})# 计算原始特征的偏度original_skewness = df_feature['D'].skew()# 使用PowerTransformer进行变换pt = PowerTransformer()df_transformed = pd.DataFrame(pt.fit_transform(df_feature), columns=['D_transformed'])# 计算变换后特征的偏度transformed_skewness = df_transformed['D_transformed'].skew()print(f"Original skewness: {original_skewness:.2f}")print(f"Transformed skewness: {transformed_skewness:.2f}", end='\n\n')# 178-4、pandas.Series.std方法pandas.Series.std(axis=None, skipna=True, ddof=1, numeric_only=False, **kwargs)Return sample standard deviation over requested axis.Normalized by N-1 by default. This can be changed using the ddof argument.Parameters:axis{index (0)}For Series this parameter is unused and defaults to 0.WarningThe behavior of DataFrame.std with axis=None is deprecated, in a future version this will reduce over both axes and return a scalar To retain the old behavior, pass axis=0 (or do not pass axis).skipnabool, default TrueExclude NA/null values. If an entire row/column is NA, the result will be NA.ddofint, default 1Delta Degrees of Freedom. The divisor used in calculations is N - ddof, where N represents the number of elements.numeric_onlybool, default FalseInclude only float, int, boolean columns. Not implemented for Series.Returns:scalar or Series (if level specified)NotesTo have the same behaviour as numpy.std, use ddof=0 (instead of the default ddof=1)
179-2、教育评估import pandas as pd# 学生考试成绩exam_scores = pd.Series([80, 90, 85, 70, 95])# 计算考试成绩的均值和标准误mean_score = exam_scores.mean()sem_score = exam_scores.sem()print(f"考试成绩均值: {mean_score:.2f}")print(f"考试成绩标准误: {sem_score:.2f}", end='\n\n')# 177-6、
'bottom'：将缺失值排到最后。性能优化：在进行高性能数据处理时，使用sum()方法可以利用Pandas内部优化，提升计算速度，尤其在处理大数据集时尤为重要。有重复值import pandas as pddata = pd.Series([3, 5, 6, 8, 10, 10, 11, 24])ranked_data = data.rank(method='average', ascending=True)print(ranked_data)

176-6-3、

176-2-2、pandas.Series.skew方法pandas.Series.skew(axis=0, skipna=True, numeric_only=False, **kwargs)Return unbiased skew over requested axis.Normalized by N-1.Parameters:axis{index (0)}Axis for the function to be applied on. For Series this parameter is unused and defaults to 0.For DataFrames, specifying axis=None will apply the aggregation across both axes.New in version 2.0.0.skipnabool, default TrueExclude NA/null values when computing the result.numeric_onlybool, default FalseInclude only float, int, boolean columns. Not implemented for Series.**kwargsAdditional keyword arguments to be passed to the function.Returns:scalar or scalar

178-2、说明

        使用场景：

180-5-1、axis(可选，默认值为None)：用于指定计算的轴，对于Series来说，通常不需要指定。语法

# 176、
179-4、用法
178-6-1、numeric_only(可选，默认值为False)：布尔值，如果为True，则仅计算数值类型的数据；如果为False，则包括所有类型。
179-5-4、结果输出
二、
176-5、缺失值处理import pandas as pdimport numpy as np# 创建一个包含缺失值的Seriesdata = pd.Series([10, 20, np.nan, 40, 50])# 计算总和，跳过缺失值total_sum = data.sum(skipna=True)print(f"总和(跳过缺失值): {total_sum}")# 180-3、博客个人主页
一、说明
        使用场景：
177-5-1、
179-4-2、
179-5-6、na_option(可选，默认值为'keep')：处理缺失值的方式，可取值为：
'keep'：将缺失值保持在原位置。numeric_only(可选，默认值为False)：布尔值，如果为True，则仅计算数值类型的数据；如果为False，则包括所有类型。
176-2-6、实验数据分析# 实验结果均值: 1.40# 实验结果标准误: 0.07# 177-4、代码示例
180-6-3、numeric_only(可选，默认值为False)：如果为True，将只对数值数据进行排名。功能
178-4、
177-2-3、**kwargs(可选)：其他关键字参数，为后续扩展功能做预留。实验数据处理：在科学实验中，标准差用于描述实验数据的测量误差和结果的可靠性，通过计算标准差，科研人员可以评估实验结果的变异程度。用法
176-6-1、例如，在财务数据分析中，可以计算一段时间内的总收入或总支出。Python魔法之旅
5、结果输出
# 176、参数
178-2-1、
178-2-2、pandas.Series.sem方法# 177-1、语法
179-2、ddof(可选，默认值为1)：Delta Degrees of Freedom，样本的自由度，在计算标准误时，通常设置为1，表示使用样本标准差；设置为0将使用总体标准差。用法
176-6-1、如果是DataFrame，将忽略非数值类型的数据；对于Series，此参数通常不起作用。Python函数之旅
3、性能优化# 大数据集的总和: 499809.22077620646
二、金融与经济学分析import pandas as pdimport numpy as np# 假设我们有一些模拟的资产收益率数据returns = pd.Series(np.random.normal(0, 1, 1000))# 计算收益率的偏度skewness_returns = returns.skew()print(f"Skewness of asset returns: {skewness_returns:.2f}", end='\n\n')# 178-5、
'max'：同分的值取最大排名。代码示例
177-6-3、对于存在偏度的特征，可能需要进行转换(例如对数变换或平方根变换)以使其更接近正态分布，改善模型的效果。异常值检测import pandas as pdimport numpy as npimport matplotlib.pyplot as plt# 生成带有异常值的分布data_with_outliers = np.concatenate([np.random.normal(0, 1, 1000), [10, 12, 15]])# 创建DataFramedf_outliers = pd.DataFrame({'C': data_with_outliers})# 计算偏度skewness_C = df_outliers['C'].skew()# 绘制直方图plt.hist(df_outliers['C'], bins=30, color='skyblue', edgecolor='black')plt.title(f'Histogram of C (Skewness: {skewness_C:.2f})')plt.xlabel('Value')plt.ylabel('Frequency')plt.show()# 178-3、医学研究import pandas as pd# 假设我们有一组病人的血压数据blood_pressure = pd.Series([120, 115, 130, 125, 132])# 计算血压均值和标准误mean_bp = blood_pressure.mean()sem_bp = blood_pressure.sem()print(f"血压均值: {mean_bp:.2f}")print(f"血压标准误: {sem_bp:.2f}", end='\n\n')# 177-2、numeric_only(可选，默认值为False)：布尔值，如果为True，则只对数值类型的数据进行计算，非数字类型的数据将被忽略。pandas.Series.sum方法# 180-1、报告与可视化：在生成数据分析报告或可视化时，展示偏度值可以作为数据分布特征的一部分，增强信息的传达效果。代码示例
# 180、说明
        无
176-6、用法
177-6-1、pandas.Series.sem方法# 177-1、
177-2-4、数据准备
176-6-2、用法
180-6-1、功能
        为Series中的每个值分配一个排名，它能够处理值的顺序，并为重复值提供不同的排名方式。
177-5-4、金融与经济学分析：在金融领域，收益率分布的偏度能够反映市场的风险特征。数据汇总import pandas as pd# 创建一个包含销售数据的Seriessales = pd.Series([200, 300, 150, 400, 250])# 计算总销售额total_sales = sales.sum()print(f"总销售额: {total_sales}")# 180-2、skipna(可选，默认值为True)：指示在计算总和时是否跳过缺失值(NaN)，如果设置为False，则总和将在遇到NaN时为NaN。
180-5-4、
177-2-5、用法
179-6-1、返回值
        返回一个数值，表示总和。功能
        用于计算序列的偏度(skewness)，偏度是衡量数据分布不对称程度的统计量。**kwargs(可选)：其他关键字参数，用于后续扩展功能做预留。返回值
179-5、
178-5-5、参数
176-2-1、
176-4、
179-2-4、
179-3、条件过滤后求和：结合布尔索引，可以先对数据进行过滤，再使用sum()方法计算满足特定条件的数据总和。代码示例
# 179、pandas.Series.sem方法
177-1、语法
# 180、用法精讲
176、pandas.Series.sem方法pandas.Series.sem(axis=None, skipna=True, ddof=1, numeric_only=False, **kwargs)Return unbiased standard error of the mean over requested axis.Normalized by N-1 by default. This can be changed using the ddof argumentParameters:axis{index (0)}For Series this parameter is unused and defaults to 0.WarningThe behavior of DataFrame.sem with axis=None is deprecated, in a future version this will reduce over both axes and return a scalar To retain the old behavior, pass axis=0 (or do not pass axis).skipnabool, default TrueExclude NA/null values. If an entire row/column is NA, the result will be NA.ddofint, default 1Delta Degrees of Freedom. The divisor used in calculations is N - ddof, where N represents the number of elements.numeric_onlybool, default FalseInclude only float, int, boolean columns. Not implemented for Series.Returns:scalar or Series (if level specified)
177-2、有重复值# 0    1.0# 1    2.0# 2    3.0# 3    4.0# 4    5.5# 5    5.5# 6    7.0# 7    8.0# dtype: float64
177、用法
177-6-1、axis(可选，默认值为None)：对于Series来说，axis参数不适用，主要用于DataFrame时指定轴的方向。数据准备
无
176-6-2、实验数据分析import pandas as pd# 假设我们有多次实验的结果experiment_results = pd.Series([1.2, 1.5, 1.4, 1.3, 1.6])# 计算实验结果的均值和标准误mean_result = experiment_results.mean()sem_result = experiment_results.sem()print(f"实验结果均值: {mean_result:.2f}")print(f"实验结果标准误: {sem_result:.2f}", end='\n\n')# 177-4、质量控制# 产品尺寸的标准差为: 0.1511857892036912# 179-3、
177-5、
177-2-2、数据准备
无
178-6-2、pandas.Series.rank方法pandas.Series.rank(axis=0, method='average', numeric_only=False, na_option='keep', ascending=True, pct=False)Compute numerical data ranks (1 through n) along axis.By default, equal values are assigned a rank that is the average of the ranks of those values.Parameters:axis{0 or ‘index’, 1 or ‘columns’}, default 0Index to direct ranking. For Series this parameter is unused and defaults to 0.method{‘average’, ‘min’, ‘max’, ‘first’, ‘dense’}, default ‘average’How to rank the group of records that have the same value (i.e. ties):average: average rank of the groupmin: lowest rank in the groupmax: highest rank in the groupfirst: ranks assigned in order they appear in the arraydense: like ‘min’, but rank always increases by 1 between groups.numeric_onlybool, default FalseFor DataFrame objects, rank only numeric columns if set to True.Changed in version 2.0.0: The default value of numeric_only is now False.na_option{‘keep’, ‘top’, ‘bottom’}, default ‘keep’How to rank NaN values:keep: assign NaN rank to NaN valuestop: assign lowest rank to NaN valuesbottom: assign highest rank to NaN valuesascendingbool, default TrueWhether or not the elements should be ranked in ascending order.pctbool, default FalseWhether or not to display the returned rankings in percentile form.Returns:same type as callerReturn a Series or DataFrame with data ranks as values.

176-2、代码示例

# 176、axis(可选，默认值为None)：用于指定计算的轴，对于Series来说，通常不需要指定。推荐阅读
1、pandas.Series.rank方法# 176-1、
180-4、组合计算：在多重指标分析中，可能需要对多个Series的总和进行比较或组合运算sum()方法可以提供便利。结果输出
177、
正值：数据分布的右侧较长，表示数据在左边集中，即右偏。医学研究# 血压均值: 124.40# 血压标准误: 3.14# 177-2、功能
176-4、
178-5-6、ddof(可选，默认值为1)：Delta Degrees of Freedom，样本的自由度，在计算标准误时，通常设置为1，表示使用样本标准差；设置为0将使用总体标准差。
180-5-6、机器学习：在特征工程中，计算标准差有助于进行数据预处理，识别和处理离群值，此外，标准差可以作为特征之一用于模型训练和评估。pandas.Series.rank方法
176-1、气候和环境数据import pandas as pd# 假设我们有连续几天的气温数据temperature_data = pd.Series([22, 24, 19, 23, 21, 20])# 计算气温的均值和标准误mean_temp = temperature_data.mean()sem_temp = temperature_data.sem()print(f"气温均值: {mean_temp:.2f} °C")print(f"气温标准误: {sem_temp:.2f} °C")

177-6-3、返回一个浮点数，表示Series中数值数据的标准差。数据准备

180-6-2、代码示例

179-6-3、

179-5-3、用法精讲

176、Python筑基之旅

2、返回值

177-5、数据分析：在数据分析过程中，了解数据的分布特征非常重要，标准差可以帮助分析师评估数据的离散程度，从而更好地理解数据的波动性。教育评估：在教育测评中，教师可能会计算学生成绩的均值和标准误，以分析班级整体表现的可靠性，帮助改进教学策略。

180-5-3、胆固醇水平等)的均值及其标准误，以评估治疗效果的稳定性和一致性。数据报告生成：在生成数据报告或可视化时，常常需要提供一些基本的统计信息，包括总和，以展示数据的整体情况。如果数据中含有非数值类型的列且numeric_only为False，则可能导致类型错误。假设检验：在某些假设检验(如t检验和ANOVA)中，通常假定数据服从正态分布。返回值

        返回一个浮点数(float)，具体取值如下：

• 0：数据分布是完全对称的。组合计算# 产品A和B的总销售额: 1100# 180-6、功能

          计算Series中所有元素的总和，它会将系列中的数值元素相加，通常会跳过缺失值(NaN)，除非指定不跳过，此外，它也可以根据参数设置的要求，返回特定条件下的计算结果。

  176-2-4、参数

  177-2-1、

178-5、

目录

一、

180-5-7、数据汇总：当需要对一组数值数据进行汇总统计时，可以使用sum()方法快速得出总和。说明

        使用场景：

179-5-1、用法

180-6-1、偏度的计算可以帮助验证这一假设，确保所选的统计方法的适用性。结果输出

179、返回值

180-5、

180-3、

180-2-5、

178-2-3、特征工程：在构建机器学习模型时，特征的分布会影响模型的性能。假设检验# Sample skewness: 0.25# Shapiro-Wilk Test Statistic: 0.991, p-value: 0.756# 178-6、min_count(可选，默认值为0)：计算总和所需的最小非 NA/null 值数量，若非NA值的数量少于min_count，则结果将为NaN。Python函数之旅

3、

178-2-4、健康研究：在医学和公共卫生领域，研究者通过计算健康指标(如体重、返回值

        返回一个标量值，表示系列的标准误。结果输出

# 179、降水量的数据均值和标准误，以评估气候变化的趋势和异常。代码示例
178-6-3、method(可选，默认值为'average')：指定排名的方式，可选值有：
'average'：同分的值取平均排名。金融分析import pandas as pd# 创建一个示例数据集，表示股价每日收益returns = [0.02, 0.03, -0.01, 0.04, 0.01, -0.02, 0.03]df = pd.DataFrame(returns, columns=['returns'])# 计算每日收益的标准差std_dev = df['returns'].std()print(f"每日收益的标准差为: {std_dev}")# 179-4、pandas.Series.std方法
179-1、
180-2-2、结果输出
178、
177-6、
179-2-3、功能
180-4、质量控制import pandas as pd# 生产过程中测量的产品尺寸measurements = [10.1, 10.2, 10.1, 10.3, 10.5, 10.2, 10.4]df = pd.DataFrame(measurements, columns=['size'])# 计算尺寸的标准差std_dev = df['size'].std()print(f"产品尺寸的标准差为: {std_dev}")# 179-3、实验数据处理# 实验结果的标准差为: 0.14142135623730964# 179-5、pandas.Series.sum方法pandas.Series.sum(axis=None, skipna=True, numeric_only=False, min_count=0, **kwargs)Return the sum of the values over the requested axis.This is equivalent to the method numpy.sum.Parameters:axis{index (0)}Axis for the function to be applied on. For Series this parameter is unused and defaults to 0.WarningThe behavior of DataFrame.sum with axis=None is deprecated, in a future version this will reduce over both axes and return a scalar To retain the old behavior, pass axis=0 (or do not pass axis).New in version 2.0.0.skipnabool, default TrueExclude NA/null values when computing the result.numeric_onlybool, default FalseInclude only float, int, boolean columns. Not implemented for Series.min_countint, default 0The required number of valid values to perform the operation. If fewer than min_count non-NA values are present the result will be NA.**kwargsAdditional keyword arguments to be passed to the function.Returns:scalar or scalar

180-2、

177-5-2、返回值

178-5、说明

176-6、

177-5-3、pandas.Series.sum方法

180-1、

179-2-5、axis(可选，默认值为0)：用于指定计算的轴，对于Series来说，通常不需要指定。Python算法之旅

4、数据分析# 分数的标准差为: 6.377042156569663# 179-2、说明

178-6、功能

        计算Series中数据的标准差，标准差是衡量数据分布离均值的远近程度的指标，反映了数据的离散程度。结果输出

# 180、返回值
        返回一个新的Series，其索引与原始Series相同，但值代表原始数据中每个元素的排名。市场调查import pandas as pd# 顾客满意度评分（1到5分）satisfaction_scores = pd.Series([4, 5, 3, 4, 5, 4, 2, 5])# 计算满意度均值和标准误mean_score = satisfaction_scores.mean()sem_score = satisfaction_scores.sem()print(f"顾客满意度均值: {mean_score:.2f}")print(f"顾客满意度标准误: {sem_score:.2f}", end='\n\n')# 177-3、金融分析：在投资和金融分析中，分析师可能会计算某类资产收益率的均值和标准误，从而评估投资的风险和潜在回报。无重复值import pandas as pddata = pd.Series([3, 5, 6, 8, 10, 11, 24])ranked_data = data.rank(method='average', ascending=True)print(ranked_data, end='\n\n')# 176-2、
178-5-4、代码示例
# 178、
179-5-5、
180-2-3、数据准备
无
180-6-2、
180-5-5、条件过滤后求和# 产品A的总销售额: 400# 180-4、pandas.Series.sem方法
177-1、性能优化import pandas as pdimport numpy as np# 创建一个包含大量数据的Serieslarge_series = pd.Series(np.random.rand(10**6))# 计算总和total_sum = large_series.sum()print(f"大数据集的总和: {total_sum}")
180-6-3、金融分析import pandas as pd# 假设我们有某个投资组合的月收益率monthly_returns = pd.Series([0.05, 0.02, -0.01, 0.04, 0.03])# 计算收益率的均值和标准误mean_return = monthly_returns.mean()sem_return = monthly_returns.sem()print(f"月收益率均值: {mean_return:.2f}")print(f"月收益率标准误: {sem_return:.2f}", end='\n\n')# 177-5、质量控制：在生产和质量管理中，监控产品的测量值并计算标准差，可用于判断生产过程的稳定性和一致性，较低的标准差表示生产过程的一致性较高。
177-5-5、pandas.Series.std方法# 179-1、时间序列分析import pandas as pd# 创建一个时间序列数据dates = pd.date_range('2023-01-01', periods=5)sales_data = pd.Series([100, 150, 200, 250, 300], index=dates)# 计算月销售总和monthly_total = sales_data.sum()print(f"本月销售总和: {monthly_total}")# 180-5、参数
177-3、结果输出
180、代码示例
# 177、
178-5-3、结果输出
# 177、气候和环境数据# 气温均值: 21.50 °C# 气温标准误: 0.76 °C
178、
176-2-3、Python筑基之旅
2、
178-4、数据准备
179-6-2、假设检验import pandas as pdimport numpy as npfrom scipy.stats import shapiro# 创建一个样本数据sample_data = pd.Series(np.random.normal(0, 1, 100))# 计算偏度sample_skewness = sample_data.skew()# 进行Shapiro-Wilk假设检验stat, p_value = shapiro(sample_data)print(f"Sample skewness: {sample_skewness:.2f}")print(f"Shapiro-Wilk Test Statistic: {stat:.3f}, p-value: {p_value:.3f}", end='\n\n')# 178-6、条件过滤后求和import pandas as pd# 创建一个包含产品销售数据的Seriessales = pd.Series([100, 200, 300, 400], index=['A', 'B', 'A', 'B'])# 计算产品 'A' 的总销售额a_total_sales = sales[sales.index == 'A'].sum()print(f"产品A的总销售额: {a_total_sales}")# 180-4、