# Wat is de methode describe() van pandas DataFrame?

De Python pandas-functie `DataFrame.describe()` wordt gebruikt om een statistisch overzicht te genereren van de numerieke kolommen in een DataFrame. Dit overzicht bevat belangrijke statistische maatstaven zoals gemiddelde, standaardafwijking, minimum, maximum en verschillende percentielen.

## Wat is de syntaxis voor de functie `describe()` van pandas?

De basissyntaxis van `describe()` voor DataFrames is eenvoudig. Het ziet er als volgt uit:

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

### Belangrijke parameters voor pandas’ `DataFrame.describe()`

Met behulp van de volgende parameters kunt u de uitvoer van `describe()` aanpassen:

<table>
  <thead>
    <tr>
      <th><strong>Parameter</strong></th>
      <th><strong>Beschrijving</strong></th>
      <th><strong>Standaardwaarde</strong></th>
    </tr>
  </thead>
  <tbody>
    <tr>
      <td>`percentiles`</td>
      <td>Geeft een overzicht van de percentielen die in het overzicht moeten worden opgenomen.</td>
      <td>`[.25, .5, .75]`</td>
    </tr>
    <tr>
      <td>`include`</td>
      <td>Geeft aan welke gegevenstypen in de beschrijving moeten worden opgenomen; mogelijke waarden zijn `numpy.number`, `numpy.object`, `all` of `None`</td>
      <td>`None`</td>
    </tr>
    <tr>
      <td>`exclude`</td>
      <td>Geeft aan welke gegevenstypen moeten worden uitgesloten van de beschrijving; werkt hetzelfde als de parameter `include`.</td>
      <td>`None`</td>
    </tr>
  </tbody>
</table>

Definitie Statistische percentielen zijn waarden die een gesorteerde dataset in gelijke delen verdelen en aangeven welk percentage van de gegevenspunten onder een bepaalde drempelwaarde valt. Hiertoe behoren statistieken zoals de mediaan (50e percentiel), het 25e percentiel en het 75e percentiel. Deze informatie helpt om een duidelijker beeld te krijgen van de gegevensverdeling.

## Voorbeelden van het gebruik van pandas `describe()`

Als u snel een overzicht wilt krijgen van de belangrijkste statistische gegevens van een dataset, is de functie pandas `DataFrame.describe()` uiterst nuttig.

### Voorbeeld 1: Statistisch overzicht van numerieke gegevens

In het volgende voorbeeld bekijken we DataFrame `df`, dat verschillende soorten verkoopgegevens bevat.

```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 kunt u pandas `describe()` gebruiken om een statistisch overzicht te krijgen van de numerieke gegevens in de kolommen:

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

De uitvoer van de functie pandas `DataFrame.describe()` is als volgt:

```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 belangrijkste statistieken die in de uitvoer worden weergegeven, zijn:

- `count`: Aantal niet-NaN-vermeldingen (Not a Number)
- `mean`: Gemiddelde van de waarden (ook toegankelijk via [DataFrame.mean()](https://www.ionos.com/nl-be/digitalguide/websites/webontwikkeling/python-pandas-gemiddelde-van-dataframe/))
- `std`: Standaardafwijking van de waarden
- `min`, `25%`, `50%`, `75%`, `max`: Minimum, 25e percentiel, mediaan (50e percentiel), 75e percentiel en maximumwaarden

### Voorbeeld 2: Percentielen aanpassen

U kunt de percentielen in de pandas `DataFrame.describe()` -uitvoer aanpassen met de parameter `percentiles`:

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

Deze functieaanroep levert de volgende uitvoer op:

```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
```

In de uitvoer zijn `10%`, 50% en 90% opgenomen in plaats van de standaardpercentielen in het vorige voorbeeld.


This is a markdown version of: [https://www.ionos.com/nl-be/digitalguide/websites/webontwikkeling/python-pandas-dataframe-describe/](https://www.ionos.com/nl-be/digitalguide/websites/webontwikkeling/python-pandas-dataframe-describe/) for AI/LLM consumption.