3

Tengo un conjunto de datos llamado "Proceso" y tengo que sacar la Desviación Estandar de la columna proceso del DataSet

import pandas as pd
proceso = pd.read_excel("./Proceso.xlsx", sheet_name="Proceso")
proceso.head(19)

y los datos de salida del .head(19)

index  proceso
0      8.65
1     24.53
2     13.25
3      9.84
4      4.03
5      4.55
6     14.31
7      4.54
8      8.57
9      4.72
10     3.95
11    23.56
12     7.41
13     1.86
14    11.78
15     1.49
16     1.89
17    10.98
18     7.10
19    18.99
Name: proceso, dtype: float64

y mi problema es que no se con cual función de pandas se calcula la desviación estandar

1 respuesta 1

5

Hay dos métodos que permiten obtener la desviación típica o estándar en Pandas, uno pertenece a la clase DataFrame(pandas.DataFrame.std) y el otro a Series (pandas.Series.std):

Ambos métodos tienen lo siguientes parámetros, muchos comunes a otros métodos similares como mean, max, min, sum, etc:

  • axis : debe ser un entero, 0 para calcular la desviación estándar por columnas, 1 para calcularla por cada fila (index). Por defecto se calcula por columnas.

  • skipna : booleano, False para que se tengan en cuenta los valores nulos, True para descartarlos.

  • level : calcular a partir de un determinado nivel si tenemos un MultiIndex, debe ser un entero o una cadena con el nombre del índice (nivel). Es None por defecto.

  • ddof : entero, especifica el incremento de los grados de libertad, por defecto es 1. Los grados de libertad (denominador) serán por tanto N - ddof, dónde N representa el número de elementos.

En el caso de pandas.DataFrame.std se implementa otro parámetro extra:

  • numeric_only : booleano o None. Si es True solo se usarán las columnas que tengan como tipo float, int o bool. Si es False se fuerza al uso de todas, lo que puede causar una excepción si los tipos son incompatibles (Datetime + int, float + str(object), etc). Si se usa None (por defecto) se intentan usar todas las columnas en el cálculo, de no ser posible se descartan.

No se implementa en pandas.Series.std porque no tiene sentido al ser sus datos de un solo tipo.

Algunos ejemplos:

>>> import pandas as pd
>>> import numpy as np

>>> data = {"A": (8.65, 24.53, 13.25, np.NaN, 4.03, 4.55, 14.31, 4.54, 8.57, 4.72),
            "B":  pd.timedelta_range('1s', periods=10),
            "C": (3, 12, 13, 4, 5, 7, 9, np.NaN, 17, 19)
            }

>>> df = pd.DataFrame(data)

>>> df
       A               B     C
0   8.65 0 days 00:00:01   3.0
1  24.53 1 days 00:00:01  12.0
2  13.25 2 days 00:00:01  13.0
3    NaN 3 days 00:00:01   4.0
4   4.03 4 days 00:00:01   5.0
5   4.55 5 days 00:00:01   7.0
6  14.31 6 days 00:00:01   9.0
7   4.54 7 days 00:00:01   NaN
8   8.57 8 days 00:00:01  17.0
9   4.72 9 days 00:00:01  19.0

>>> df.std(axis=1)     
0     3.995153
1     8.860048
2     0.176777
3          NaN
4     0.685894
5     1.732412
6     3.754737
7          NaN
8     5.960910
9    10.097485

>>> df.std()
A                   6.76626
B    3 days 00:39:48.990594
C                   5.73246


>>> df.std(numeric_only=True)
A    6.766256
C    5.732461


>>> df.std(skipna=False)
A                      NaT
B   3 days 00:39:48.990594
C                      NaT


>>> df.std(ddof=3)
A                     7.813
B    3 days 10:23:34.034924
C                   6.61928


>>> df["A"].std()
6.76626

Como en este último ejemplo, en tu caso basta con que hagas:

std = proceso["proceso"].std()

Al usarlo sobre una columna usas implícitamente pandas.Series.std.

Tu Respuesta

By clicking “Publica tu respuesta”, you agree to our terms of service and acknowledge you have read our privacy policy.

¿No es la respuesta que buscas? Examina otras preguntas con la etiqueta o formula tu propia pregunta.