【Pandas】pandas Series cov
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。