【分析篇】：python基本统计特征函数解释

# 基本统计特征函数,data 为DataFrame 或者 Series
        
        # sum()
        # mean()
        # var() 样本方差
        # std() 计算数据样本的标准差
        # corr() Spearman(Person,kenall) 相关系数矩阵
            # S1.corr(S2,method = 'pearson') --> S1 和 S2 均为Series

D = pd.DataFrame([range(1,8),range(2,9)]) 
# 第一行为1~7，第二行为2~8
D.corr(method = 'pearson')
S1 = D.loc[0] # 提取第一行
S2 = D.loc[1] # 提取第二行
S1.corr(S2,method = 'pearson')

        # cov() 协方差矩阵 计算两个Series之间的协方差

import numpy as np
D = pd.DataFrame(np.random.randn(6.5)) # 产生6*5 随机矩阵
D.cov() #计算协方差矩阵

D[0].cov(D[1]) #计算第一列和第二类的协方差

        # describe(percentiles = [0.2,0.4,0.6,0.8]) 计算 0.2 0.4 。。。分位数

    # 拓展统计特征函数 Pandas

    # 累积计算
        # cumsum() 依次给出1,2,...,n个数的和
        # cumprod()  依次给出1,2,...,n个数的积
        # cummax()  依次给出1,2,...,n个数的最大值
        # cummin()  依次给出1,2,...,n个数的最小值
            # D 为DataFrame 或者 Series ，D.cumsum()
    # 滚动计算
        # rolling_sum() 计算样本数据量的总和(按列计算)
        # rolling_mean() 数据样本的均值
        # rolling_var() 计算数据样本的方差
        # rolling_std() 计算数据样本的标准差
        # rolling_corr() 计算数据样本的相关系数矩阵
        # rolling_cov() 计算协方差矩阵
            # 不是 D 为DataFrame 或者 Series 对象的方法
                #使用方法为 pd.rolling_mean(D,k) -->意思是每K列计算一次均值

D = pd.Series(range(0,20)) # 构造Series
D.sort(ascending = True)
D.cumsum()

pd.rolling_sum(D,2) #依次对相邻两项求和

参考资料：《Python数据分析与挖掘实战》