# Τι είναι η μέθοδος describe() του DataFrame των pandas;

Η συνάρτηση Python pandas `DataFrame.describe()` χρησιμοποιείται για τη δημιουργία μιας στατιστικής σύνοψης των αριθμητικών στηλών σε ένα DataFrame. Αυτή η σύνοψη περιλαμβάνει βασικές στατιστικές μετρήσεις όπως μέση τιμή, τυπική απόκλιση, ελάχιστο, μέγιστο και διάφορα εκατοστημόρια.

## Ποια είναι η σύνταξη της συνάρτησης `describe()` του pandas;

Η βασική σύνταξη του `describe()` για DataFrames είναι απλή. Έχει την εξής μορφή:

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

### Σημαντικές παράμετροι για τις πανδες `DataFrame.describe()`

Χρησιμοποιώντας τις ακόλουθες παραμέτρους, μπορείτε να ρυθμίσετε την έξοδο του `describe()`:

<table>
  <thead>
    <tr>
      <th><strong>Παράμετρος</strong></th>
      <th><strong>Περιγραφή</strong></th>
      <th><strong>Προεπιλεγμένη τιμή</strong></th>
    </tr>
  </thead>
  <tbody>
    <tr>
      <td>`percentiles`</td>
      <td>Παραθέτει τα εκατοστημόρια που πρέπει να περιλαμβάνονται στην περίληψη</td>
      <td>`[.25, .5, .75]`</td>
    </tr>
    <tr>
      <td>`include`</td>
      <td>Καθορίζει τους τύπους δεδομένων που πρέπει να συμπεριληφθούν στην περιγραφή. Οι πιθανές τιμές είναι `numpy.number`, `numpy.object`, `all` ή `None`.</td>
      <td>`None`</td>
    </tr>
    <tr>
      <td>`exclude`</td>
      <td>Καθορίζει τους τύπους δεδομένων που θα εξαιρούνται από την περιγραφή. Λειτουργεί όπως η παράμετρος `include`.</td>
      <td>`None`</td>
    </tr>
  </tbody>
</table>

Definition Τα στατιστικά εκατοστημόρια είναι τιμές που χωρίζουν ένα ταξινομημένο σύνολο δεδομένων σε ίσα μέρη, δείχνοντας ποιο ποσοστό των σημείων δεδομένων βρίσκεται κάτω από ένα συγκεκριμένο όριο. Αυτά περιλαμβάνουν μετρήσεις όπως η διάμεσος (50ο εκατοστημόριο), το 25ο εκατοστημόριο και το 75ο εκατοστημόριο. Αυτές οι πληροφορίες βοηθούν στην παροχή μιας σαφέστερης εικόνας της κατανομής των δεδομένων.

## Παραδείγματα χρήσης του pandas `describe()`

Εάν χρειάζεστε μια γρήγορη επισκόπηση των βασικών στατιστικών μετρήσεων ενός συνόλου δεδομένων, η συνάρτηση pandas `DataFrame.describe()` είναι εξαιρετικά χρήσιμη.

### Παράδειγμα 1: Στατιστική σύνοψη αριθμητικών δεδομένων

Στο παρακάτω παράδειγμα, εξετάζουμε το DataFrame `df`, το οποίο περιέχει διαφορετικούς τύπους δεδομένων πωλήσεων.

```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)
```

Τώρα, μπορείτε να χρησιμοποιήσετε το pandas `describe()` για να λάβετε μια στατιστική σύνοψη των αριθμητικών δεδομένων στις στήλες:

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

Η έξοδος της συνάρτησης pandas `DataFrame.describe()` έχει ως εξής:

```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
```

Οι βασικοί δείκτες που εμφανίζονται στην έξοδο είναι:

- `count`: Αριθμός μη NaN (Not a Number) καταχωρήσεων
- `mean`: Μέσος όρος των τιμών (προσβάσιμος επίσης μέσω [DataFrame.mean()](https://www.ionos.com/el-gr/digitalguide/istoselides/anaptyxi-istoselidon/python-pandas-mesos-oros-dataframe/))
- `std`: Τυπική απόκλιση των τιμών
- `min`, `25%`, `50%`, `75%`, `max`: Ελάχιστες, 25ο εκατοστημόριο, διάμεσος (50ο εκατοστημόριο), 75ο εκατοστημόριο και μέγιστες τιμές

### Παράδειγμα 2: Προσαρμογή εκατοστημορίων

Μπορείτε να προσαρμόσετε τα εκατοστημόρια στην έξοδο του pandas `DataFrame.describe()` με την παράμετρο `percentiles`:

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

Αυτή η κλήση συνάρτησης παρέχει την ακόλουθη έξοδο:

```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
```

Στην έξοδο, περιλαμβάνονται `10%`, 50% και 90% αντί για τα τυπικά εκατοστημόρια που εμφανίζονται στο προηγούμενο παράδειγμα.


This is a markdown version of: [https://www.ionos.com/el-gr/digitalguide/istoselides/anaptyxi-istoselidon/python-pandas-dataframe-describe/](https://www.ionos.com/el-gr/digitalguide/istoselides/anaptyxi-istoselidon/python-pandas-dataframe-describe/) for AI/LLM consumption.