Python 数据分析三剑客之 Pandas（五）：统计计算与统计描述
内容提要
本文介绍了Pandas库中的统计计算与描述功能，包括求和、最小值、最大值、平均值等方法的使用。通过示例展示了如何在Series和DataFrame中应用这些统计方法，以及如何使用describe()方法快速获取数据的综合统计结果。
延伸解读
axis 参数：控制计算方向
在 DataFrame 中，axis 参数决定统计计算的方向。axis=0 或 'index' 表示沿行方向计算，即对每一列求统计值；axis=1 或 'columns' 表示沿列方向计算，即对每一行求统计值。例如，obj.sum() 默认 axis=0，返回每列的和；obj.sum(axis=1) 返回每行的和。正确理解 axis 是使用 Pandas 统计方法的基础。
skipna 参数：缺失值处理策略
skipna 参数控制计算时是否排除缺失值（NA/null），默认为 True，即自动忽略缺失值。当 skipna=False 时，只要数据中存在缺失值，结果就为 NaN。例如，在 DataFrame 中，obj.min(axis='columns', skipna=False) 对于包含 NaN 的行返回 NaN。这提醒我们，在数据清洗不彻底时，需谨慎设置 skipna，以免统计结果失真。
describe()：快速数据概览
describe() 方法能一次性输出计数、均值、标准差、最小最大值及四分位数等统计量，是探索性数据分析的利器。对于数值型 Series，它返回上述数值统计；对于分类或时间戳类型，则返回计数、唯一值、众数等。通过 include 和 exclude 参数，可以灵活选择包含或排除特定数据类型，例如 include='all' 会显示所有列的描述统计。
idxmin 与 idxmax：定位极值索引
idxmin() 和 idxmax() 分别返回最小值、最大值对应的索引，而非数值本身。在 Series 中，返回单个索引标签；在 DataFrame 中，默认按列返回每列极值所在的行索引。这两个方法在需要定位具体数据点时非常有用，例如找出销售额最低的日期。注意，它们与 argmin/argmax 不同，后者返回整数位置，且仅适用于 Series。
Q&A
Pandas库中如何计算数据的和？
可以使用sum()方法来计算Series或DataFrame中指定轴的和。
如何在Pandas中获取数据的最小值和最大值？
可以使用min()和max()方法分别获取Series或DataFrame中指定轴的最小值和最大值。
Pandas的describe()方法有什么用？
describe()方法用于快速获取数据的综合统计结果，包括计数、均值、标准差、最大最小值和四分位数等。
如何在Pandas中计算平均值？
可以使用mean()方法来计算Series或DataFrame中指定轴的平均值。
Pandas中如何获取最小值和最大值的索引？
可以使用idxmin()和idxmax()方法分别获取Series或DataFrame中最小值和最大值的索引。
Pandas中有哪些常用的统计方法？
常用的统计方法包括count、sum、mean、min、max、median、var、std等。
