# Kas yra pandas DataFrame describe() metodas?

Python pandas funkcija `DataFrame.describe()` naudojama statistinei DataFrame skaitmeninių stulpelių santraukai generuoti. Ši santrauka apima pagrindinius statistinius rodiklius, pvz., vidurkį, standartinį nuokrypį, minimumą, maksimumą ir įvairius procentilius.

## Kokia yra pandas `describe()` funkcijos sintaksė?

Pagrindinė `describe()` sintaksė DataFrames yra paprasta. Ji atrodo taip:

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

### Svarbūs pandų parametrai `DataFrame.describe()`

Naudodami šiuos parametrus, galite reguliuoti `describe()` išėjimą:

<table>
  <thead>
    <tr>
      <th><strong>Parametras</strong></th>
      <th><strong>Aprašymas</strong></th>
      <th><strong>Numatytasis vertė</strong></th>
    </tr>
  </thead>
  <tbody>
    <tr>
      <td>`percentiles`</td>
      <td>Išvardija procentiles, kurios turėtų būti įtrauktos į santrauką.</td>
      <td>`[.25, .5, .75]`</td>
    </tr>
    <tr>
      <td>`include`</td>
      <td>Nurodo, kokie duomenų tipai turi būti įtraukti į aprašymą; galimos reikšmės yra `numpy.number`, `numpy.object`, `all` arba `None`.</td>
      <td>`None`</td>
    </tr>
    <tr>
      <td>`exclude`</td>
      <td>Nurodo, kokie duomenų tipai turi būti neįtraukti į aprašymą; funkcijos, pvz., `include` parametras.</td>
      <td>`None`</td>
    </tr>
  </tbody>
</table>

Definition Statistiniai procentiliai yra reikšmės, kurios suskirsto surūšiuotą duomenų rinkinį į lygias dalis, parodydamos, kiek procentų duomenų taškų yra žemiau tam tikros ribos. Tai apima tokius rodiklius kaip mediana (50-asis procentilis), 25-asis procentilis ir 75-asis procentilis. Ši informacija padeda susidaryti aiškesnį duomenų pasiskirstymo vaizdą.

## Pavyzdžiai, kaip naudoti pandas `describe()`

Jei jums reikia greitai peržiūrėti pagrindinius duomenų rinkinio statistinius rodiklius, pandas `DataFrame.describe()` funkcija yra ypač naudinga.

### 1 pavyzdys: Skaitmeninių duomenų statistinė santrauka

Šiame pavyzdyje pažvelgsime į DataFrame `df`, kuriame yra įvairių tipų pardavimo duomenys.

```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)
```

Dabar galite naudoti pandas `describe()`, kad gautumėte statistinę stulpeliuose esančių skaitmeninių duomenų santrauką:

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

Pandas `DataFrame.describe()` funkcijos rezultatas yra toks:

```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
```

Pagrindiniai rodikliai, rodomi išvestyje, yra:

- `count`: Ne NaN (ne skaičius) įrašų skaičius
- `mean`: Vidutinė verčių reikšmė (taip pat prieinama per [DataFrame.mean()](https://www.ionos.com/lt-lt/digitalguide/interneto-svetaines/interneto-svetainiu-kurimas/python-pandas-dataframe-vidurkis/))
- `std`: verčių standartinis nuokrypis
- `min`, `25%`, `50%`, `75%`, `max`: Mažiausia, 25-oji procentilė, mediana (50-oji procentilė), 75-oji procentilė ir didžiausia reikšmės

### 2 pavyzdys: Procentilių pritaikymas

Galite pritaikyti procentiles pandas `DataFrame.describe()` išvestyje naudodami `percentiles` parametrą:

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

Šis funkcijos iškvietimas pateikia šiuos rezultatus:

```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
```

Rezultatuose pateikiami `10%`, 50 % ir 90 %, o ne standartiniai procentiliai, kaip ankstesniame pavyzdyje.


This is a markdown version of: [https://www.ionos.com/lt-lt/digitalguide/interneto-svetaines/interneto-svetainiu-kurimas/python-pandas-dataframe-describe/](https://www.ionos.com/lt-lt/digitalguide/interneto-svetaines/interneto-svetainiu-kurimas/python-pandas-dataframe-describe/) for AI/LLM consumption.