Python | 熊猫 dataframe.sem()

简介

DataFrame.sem()是Pandas中DataFrame对象的一个函数，用于计算每个数值列的标准误（标准误差）。标准误是指样本抽取自总体中的一个样本，在数值上与总体存在一定差异，使用这个样本的平均值来估计整个总体的平均值，因此样本平均值的大小反映了总体平均值的不确定性，标准误就是反映平均值不确定性的一个指标。

语法

DataFrame.sem(axis=None, skipna=None, level=None, ddof=1, numeric_only=None)

• axis : {0 or 'index', 1 or 'columns'}, 指定计算标准误（标准误差）的方向，默认行方向（axis=0）。
• skipna : bool, 是否忽略NaN值，默认True。
• level : int or str, 指定在哪个级别上计算标准误，默认None，即在所有的级别上都进行计算。
• ddof : int, 自由度校正，默认1。
• numeric_only : bool, 是否只计算数值列的标准误，默认True。

参数

axis

• axis=0，按列计算标准误（默认）。
• axis=1，按行计算标准误。

skipna

• skipna=True，忽略NaN值。
• skipna=False，不忽略NaN值。

level

• level=None，在所有的级别上计算。

ddof

• ddof=1，自由度校正。

numeric_only

• numeric_only=True，只计算数值列的标准误。
• numeric_only=False，计算所有列的标准误。

返回值

DataFrame类型，返回每一列的标准误，如果是axis=1，返回每一行的标准误。

示例

import pandas as pd

data = {'A': [1, 3, 5, 7], 'B': [2, 4, 6, 8], 'C': [1, 3, 5, None]}
df = pd.DataFrame(data)
print(df.sem()) # 按照默认方向（axis=0）计算所有数值列的标准误

输出结果：

A    2.236068
B    2.236068
C    1.154701
dtype: float64

print(df.sem(axis=1)) # 按行计算每一行的标准误

输出结果：

0    0.471405
1    0.471405
2    0.471405
3    0.471405
dtype: float64

注意事项

• 计算标准误时，默认的自由度是n-1，n为样本数，因此自由度校正的值为1。
• 如果数据中存在NaN，标准误的计算结果也会是NaN，除非skipna参数被设置为False。
• 如果读者想了解更多有关DataFrame.sem()函数的详细信息和使用方法，可以访问官方文档：DataFrame.sem()。