# Hvad er pandas DataFrame describe()-metoden?

Python pandas-funktionen `DataFrame.describe()` bruges til at generere en statistisk oversigt over de numeriske kolonner i en DataFrame. Denne oversigt indeholder vigtige statistiske målinger som gennemsnit, standardafvigelse, minimum, maksimum og forskellige percentiler.

## Hvad er syntaksen for pandas’ `describe()` -funktion?

Den grundlæggende syntaks for `describe()` for DataFrames er enkel. Den ser således ud:

```python
DataFrame.describe(percentiles=None, include=None, exclude=None)
```

### Vigtige parametre for pandas’ `DataFrame.describe()`

Ved hjælp af følgende parametre kan du justere outputtet på `describe()`:

<table>
  <thead>
    <tr>
      <th><strong>Parameter</strong></th>
      <th><strong>Beskrivelse</strong></th>
      <th><strong>Standardværdi</strong></th>
    </tr>
  </thead>
  <tbody>
    <tr>
      <td>`percentiles`</td>
      <td>Viser de percentiler, der skal medtages i oversigten.</td>
      <td>`[.25, .5, .75]`</td>
    </tr>
    <tr>
      <td>`include`</td>
      <td>Angiver, hvilke datatyper der skal medtages i beskrivelsen; mulige værdier er `numpy.number`, `numpy.object`, `all` eller `None`</td>
      <td>`None`</td>
    </tr>
    <tr>
      <td>`exclude`</td>
      <td>Angiver, hvilke datatyper der skal udelades fra beskrivelsen; fungerer som parameteren `include`.</td>
      <td>`None`</td>
    </tr>
  </tbody>
</table>

Definition Statistiske percentiler er værdier, der opdeler et sorteret datasæt i lige store dele og viser, hvor stor en procentdel af datapunkterne der ligger under en bestemt tærskel. Disse omfatter målinger som medianen (50. percentil), 25. percentil og 75. percentil. Disse oplysninger bidrager til at give et klarere billede af datafordelingen.

## Eksempler på brug af pandas `describe()`

Hvis du har brug for et hurtigt overblik over de vigtigste statistiske målinger i et datasæt, er pandas `DataFrame.describe()` -funktionen yderst nyttig.

### Eksempel 1: Statistisk oversigt over numeriske data

I det følgende eksempel ser vi på DataFrame `df`, som indeholder forskellige typer salgsdata.

```python
import pandas as pd
import numpy as np
# Example DataFrame with sales data
data = {
    'Product': ['A', 'B', 'C', 'D', 'E'],
    'Quantity': [10, 20, 15, 5, 30],
    'Price': [100, 150, 200, 80, 120],
    'Revenue': [1000, 3000, 3000, 400, 3600]
}
df = pd.DataFrame(data)
print(df)
```

Nu kan du bruge pandas `describe()` til at få et statistisk resumé af de numeriske data i kolonnerne:

```python
summary = df.describe()
print(summary)
```

Outputtet fra pandas `DataFrame.describe()` -funktionen er som følger:

```none
Quantity       Price      Revenue
count   5.000000    5.000000     5.000000
mean   16.000000  130.000000  2200.000000
std     9.617692   46.904158  1407.124728
min     5.000000   80.000000   400.000000
25%    10.000000  100.000000  1000.000000
50%    15.000000  120.000000  3000.000000
75%    20.000000  150.000000  3000.000000
max    30.000000  200.000000  3600.000000
```

De vigtigste målinger, der vises i outputtet, er:

- `count`: Antal ikke-NaN-poster (Not a Number)
- `mean`: Gennemsnit af værdierne (kan også tilgås via [DataFrame.mean()](https://www.ionos.com/da-dk/digitalguide/websteder/webudvikling/python-pandas-dataframe-gennemsnit/))
- `std`: Standardafvigelse for værdierne
- `min`, `25%`, `50%`, `75%`, `max`: Minimum, 25. percentil, median (50. percentil), 75. percentil og maksimumsværdier

### Eksempel 2: Tilpasning af percentiler

Du kan tilpasse percentilerne i `DataFrame.describe()` 35-outputtet med parameteren `percentiles`:

```python
# Statistical summary with custom percentiles
custom_summary = df.describe(percentiles=[0.1, 0.5, 0.9])
print(custom_summary)
```

Dette funktionskald giver følgende output:

```none
Quantity       Price      Revenue
count   5.000000    5.000000     5.000000
mean   16.000000  130.000000  2200.000000
std     9.617692   46.904158  1407.124728
min     5.000000   80.000000   400.000000
10%     7.000000   88.000000   640.000000
50%    15.000000  120.000000  3000.000000
90%    26.000000  180.000000  3360.000000
max    30.000000  200.000000  3600.000000
```

I outputtet er `10%`, 50 % og 90 % inkluderet i stedet for standardpercentilerne i det foregående eksempel.


This is a markdown version of: [https://www.ionos.com/da-dk/digitalguide/websteder/webudvikling/python-pandas-dataframe-describe/](https://www.ionos.com/da-dk/digitalguide/websteder/webudvikling/python-pandas-dataframe-describe/) for AI/LLM consumption.