[Pandas] 데이터프레임 기초 통계량 확인

---

기초 통계량

 

어떤 데이터가 가지고 있는 성질을 확인하려면 기초 통계량을 확인해야 할 것이다. 이러한 통계량으로는 평균, 중앙값, 분산, 최대값, 최소값, 빈도수 등이 있을 것이다.

일단 예시를 위해 임의로 데이터를 불러오자.

import seaborn as sns
import pandas as pd

df = sns.load_dataset("iris")

seaborn의 iris 데이터셋을 불러왔다.

iris 데이터셋에는 sepal_length, sepal_width, petal_length, petal_width, species 열이 있는데, 이 중 species 열만 범주형이다. 범주형이 아닌 수치형 자료는 평균, 중앙값 등을 가지는데, 범주형 자료는 빈도수, 종류 등의 통계량을 가진다.

기본적으로 통계량은 describe(참고링크)를 이용하면 된다.

df["petal_width"].describe()

먼저 수치형 자료의 기초통계량부터 확인하면 다음과 같다.

count    150.000000
mean       1.199333
std        0.762238
min        0.100000
25%        0.300000
50%        1.300000
75%        1.800000
max        2.500000
Name: petal_width, dtype: float64

이런 식으로 빈도수, 평균, 표준편차, 최소값, 사분위수, 최대값, 열 이름, 타입을 보여준다.

df["species"].describe()

범주형 자료의 기초통계량을 확인하면 다음과 같다.

count        150
unique         3
top       setosa
freq          50
Name: species, dtype: object

범주형 자료는 이런 식으로 빈도수, 값의 종류, 최빈값, 최빈값의 빈도, 열 이름, 타입을 보여준다. 참고로 최빈값이 여러개인 경우 사전식 순서로 가장 앞선 것을 보여주기 때문에 다시 확인해야 한다.

이때는 value_count(참고링크)를 활용하면 좋다.

df["species"].value_counts()

아래와 같이 출력되어 각 값의 빈도를 확인할 수 있다.

species
setosa        50
versicolor    50
virginica     50
Name: count, dtype: int64

데이터 전체에 대해서도 확인 가능한데, 매개변수 include를 이용해야 한다. 기본 설정은 object, 즉 범주형은 제외하기 때문에 범주형을 포함하도록 아래와 같이 설정하면 된다.

df.describe(include=["object", "float"])

출력은 다음과 같다.

        sepal_length  sepal_width  petal_length  petal_width species
count     150.000000   150.000000    150.000000   150.000000     150
unique           NaN          NaN           NaN          NaN       3
top              NaN          NaN           NaN          NaN  setosa
freq             NaN          NaN           NaN          NaN      50
mean        5.843333     3.057333      3.758000     1.199333     NaN
std         0.828066     0.435866      1.765298     0.762238     NaN
min         4.300000     2.000000      1.000000     0.100000     NaN
25%         5.100000     2.800000      1.600000     0.300000     NaN
50%         5.800000     3.000000      4.350000     1.300000     NaN
75%         6.400000     3.300000      5.100000     1.800000     NaN
max         7.900000     4.400000      6.900000     2.500000     NaN

 

---

각각의 메소드

 

앞서 언급한 것들을 다양한 메소드를 통해 따로따로 접근하고 추출할 수 있다.

평균은 mean(참고링크)을 통해 한다. 이때 mean의 매개변수로 axis를 넣을 수 있는데, 이를 통해서 열이 아니라 행의 평균에도 접근할 수 있다. 단 mean으로 접근하는 자료는 반드시 수치형이어야 하기 때문에 범주형 자료가 섞여 있다면 에러가 뜬다.

df_num = df.drop(columns=["species"])
df_num.mean()

출력은 아래와 같다. 위처럼 데이터프레임 전체에 접근도 가능하고, 각 열에 대해 접근도 가능하다.

sepal_length    5.843333
sepal_width     3.057333
petal_length    3.758000
petal_width     1.199333
dtype: float64

median(참고링크), sum(참고링크), min(참고링크), max(참고링크), var(참고링크), std(참고링크), count(참고링크) 역시 유사한 방식으로 동작하니 레퍼런스 참고해서 사용하면 된다.

범주형 자료에는 nunique(참고링크), unique(참고링크), mode(참고링크)가 주로 사용된다. nunique는 값의 종류를 수로 나타내고, unique는 값의 종류를 모두 나타내며, mode는 최빈값을 나타낸다.

df["species"].unique()

출력은 다음과 같다.

array(['setosa', 'versicolor', 'virginica'], dtype=object)

이러한 방식으로 다양한 통계량을 확인하고 추출할 수 있다.