Pandas2.2 DataFrame
Computations descriptive stats
| 方法 | 描述 |
|---|---|
| DataFrame.abs() | 用于返回 DataFrame 中每个元素的绝对值 |
| DataFrame.all([axis, bool_only, skipna]) | 用于判断 DataFrame 中是否所有元素在指定轴上都为 True |
| DataFrame.any(*[, axis, bool_only, skipna]) | 用于判断 DataFrame 中是否至少有一个元素在指定轴上为 True |
| DataFrame.clip([lower, upper, axis, inplace]) | 用于截断（限制）DataFrame 中的数值 |
| DataFrame.corr([method, min_periods, …]) | 用于计算 DataFrame 中各列之间的相关系数矩阵（Correlation Matrix） |
| DataFrame.corrwith(other[, axis, drop, …]) | 用于计算当前 DataFrame 的每一列（或行）与另一个 Series 或 DataFrame 中对应列的相关系数 |
| DataFrame.count([axis, numeric_only]) | 用于统计 DataFrame 中每列或每行的非空（非 NaN）元素数量 |
| DataFrame.cov([min_periods, ddof, numeric_only]) | 用于计算 DataFrame 中每对列之间的协方差 |
pandas.DataFrame.cov()
pandas.DataFrame.cov() 方法用于计算 DataFrame 中每对列之间的协方差。协方差是统计学中用来衡量两个变量之间线性关系强度的指标。正值表示正相关，负值表示负相关，而接近零的值表示几乎没有线性关系。
参数说明：
- min_periods：int, optional
- 计算协方差时所需的最小观测数量。如果有效观测数少于此值，则结果为
NaN。
- 计算协方差时所需的最小观测数量。如果有效观测数少于此值，则结果为
- ddof：int, optional
- Delta Degrees of Freedom（自由度调整）。默认情况下，协方差的计算使用无偏估计（即除以 N-1，其中 N 是样本数量）。可以通过设置此参数来改变分母。
- numeric_only：bool, optional
- 如果为
True，则仅包含数值类型的列（如 float、int、boolean）参与计算。
- 如果为
返回值：
返回一个 DataFrame，表示各列之间的协方差矩阵。
示例代码：
import pandas as pd
import numpy as np
# 创建一个示例 DataFrame
df = pd.DataFrame({
'A': [1, 2, 3, 4, 5],
'B': [5, 4, 3, 2, 1],
'C': [2, 4, 6, 8, 10]
})
# 计算协方差矩阵
cov_matrix = df.cov()
print(cov_matrix)
输出结果：
A B C
A 2.5 -2.5 5.0
B -2.5 2.5 -5.0
C 5.0 -5.0 10.0
结果解释：
A和B的协方差为-2.5，表明它们呈负相关。A和C的协方差为5.0，表明它们呈正相关。B和C的协方差为-5.0，表明它们呈负相关。
通过协方差矩阵可以直观地观察各列之间的线性关系强度和方向。