Python Pandas dataframe.sem()

Python是一种进行数据分析的伟大语言，主要是因为以数据为中心的Python包的奇妙生态系统。Pandas就是这些包中的一个，它使导入和分析数据变得更加容易。

Pandas dataframe.sem()函数返回所请求axis上的均值的无偏标准误差。一个统计量（通常是一个参数的估计值）的标准误差（SE）是其抽样分布的标准偏差[1]或该标准偏差的估计数。如果该参数或统计量是平均值，则称为平均值的标准误差（SEM）。

语法 : DataFrame.sem(axis=None, skipna=None, level=None, ddof=1, numeric_only=None, **kwargs)

参数 :
axis： {指数（0），列（1）}。
skipna : 排除NA/null值。如果整个行/列是NA，结果将是NA。
level : 如果坐标axis是一个多指标（分层的），沿着一个特定的层次计数，折叠成一个系列。
ddof :德尔塔自由度。计算中使用的除数是N – ddof，其中N代表元素的数量。
numeric_only :只包括浮动、int、boolean列。如果没有，将尝试使用所有数据，然后只使用数字数据。不实现系列

返回： sem：系列或数据框架（如果指定级别）。

示例#1：使用sem()函数查找给定数据帧在索引axis上的平均值的标准误差。

# importing pandas as pd
import pandas as pd
  
# Creating the dataframe 
df = pd.read_csv("nba.csv")
  
# Print the dataframe
df

让我们使用dataframe.sem()函数来查找索引axis上的平均数的标准误差。

# find standard error of the mean of all the columns
df.sem(axis = 0)

输出 :

注意，所有非数字列和数值都自动不包括在数据框架的计算中。我们不必为计算平均值的标准误差而专门输入数字列。

例子#2：使用sem()函数来查找列axis上的平均值的标准误差。同时在计算数据帧时不要跳过NaN值。

# importing pandas as pd
import pandas as pd
  
# Creating the dataframe 
df = pd.read_csv("nba.csv")
  
# Calculate the standard error of 
# the mean of all the rows in dataframe
df.sem(axis = 1, skipna = False)

输出 :

当我们包括NaN值时，它将导致该特定行或列为NaN。