Pandas2.2 Series

Computations descriptive stats

方法	描述
Series.abs()	用于计算 Series 中每个元素的绝对值
Series.all()	用于检查 Series 中的所有元素是否都为 True 或非零值（对于数值型数据）
Series.any()	用于检查 Series 中是否至少有一个元素为 True 或非零值（对于数值型数据）
Series.autocorr()	用于计算 Series 的自相关系数
Series.between()	用于检查 Series 中的每个元素是否在指定的两个值之间（包括边界值）
Series.clip()	用于将 Series 中的元素限制在指定的上下限之间
Series.corr()	用于计算两个 Series 之间的相关系数
Series.count()	用于计算 Series 中非 NA/null 值的数量
Series.cov(other[, min_periods, ddof])	用于计算两个 Series 之间的协方差

pandas.Series.cov

pandas.Series.cov 方法用于计算两个 Series 之间的协方差。协方差衡量的是两个变量如何共同变化，即它们的变化趋势是否一致。正的协方差表示两个变量倾向于同向变化，而负的协方差表示它们倾向于反向变化。

参数

• other: 另一个 Series，与当前 Series 计算协方差。
• min_periods: 可选参数，指定在计算协方差时至少需要多少个非缺失值对，默认为 None（即没有最小限制）。
• ddof: 可选参数，指定计算协方差的自由度，默认为 1。

返回值

• float: 两个 Series 之间的协方差

示例及结果

import pandas as pd# 创建两个包含一些相同索引的 Series
s1 = pd.Series([1, 2, 3, 4, 5])
s2 = pd.Series([5, 4, 3, 2, 1])# 使用 cov 方法计算两个 Series 之间的协方差
cov_result = s1.cov(s2)print(f"Series 1: {s1}")
print(f"Series 2: {s2}")
print(f"Covariance: {cov_result}")

输出结果：

Series 1: 0    1
1    2
2    3
3    4
4    5
dtype: int64
Series 2: 0    5
1    4
2    3
3    2
4    1
dtype: int64
Covariance: -2.5

在这个例子中，s1 和 s2 是两个长度为 5 的 Series。使用 cov 方法后，返回的结果是 -2.5，表示这两个 Series 的变化趋势相反。

带有 min_periods 参数的示例

# 创建两个包含一些缺失值的 Series
s3 = pd.Series([1, 2, None, 4, 5])
s4 = pd.Series([5, 4, 3, None, 1])# 使用 cov 方法并指定 min_periods 参数
cov_result_min_periods = s3.cov(s4, min_periods=3)print(f"Series 3: {s3}")
print(f"Series 4: {s4}")
print(f"Covariance with min_periods=3: {cov_result_min_periods}")

输出结果：

Series 3: 0    1.0
1    2.0
2    NaN
3    4.0
4    5.0
dtype: float64
Series 4: 0    5.0
1    4.0
2    3.0
3    NaN
4    1.0
dtype: float64
Covariance with min_periods=3: -4.333333333333333

在这个例子中，s3 和 s4 包含一些缺失值。通过设置 min_periods=3，确保在计算协方差时至少有三对非缺失值。最终计算出的协方差为 -4.333333333333333。