Метод sem
Метод sem применяется к DataFrame
и возвращает стандартную ошибку среднего
для каждого столбца по умолчанию.
Метод может вычислять стандартную ошибку
как по столбцам, так и по строкам
в зависимости от параметра axis.
По умолчанию axis=0 (вычисления по столбцам).
Метод игнорирует пропущенные значения NaN.
Синтаксис
df.sem(axis=0, ddof=1, skipna=True, numeric_only=False)
Пример
Давайте вычислим стандартную ошибку среднего для всех столбцов таблицы:
import pandas as pd
df = pd.DataFrame({
'a': [1, 2, 3, 4, 5],
'b': [10, 20, 30, 40, 50]
})
res = df.sem()
print(res)
Результат выполнения кода:
a 0.707107
b 7.071068
dtype: float64
Пример
Теперь вычислим стандартную ошибку среднего
по строкам с помощью параметра axis=1:
import pandas as pd
df = pd.DataFrame({
'a': [1, 2, 3, 4, 5],
'b': [10, 20, 30, 40, 50]
})
res = df.sem(axis=1)
print(res)
Результат выполнения кода:
0 4.5
1 9.0
2 13.5
3 18.0
4 22.5
dtype: float64
Пример
Рассмотрим работу метода с пропущенными значениями.
По умолчанию NaN игнорируются:
import pandas as pd
import numpy as np
df = pd.DataFrame({
'a': [1, np.nan, 3, 4, 5],
'b': [10, 20, 30, np.nan, 50]
})
res = df.sem()
print(res)
Результат выполнения кода:
a 0.912871
b 9.128709
dtype: float64
Пример
Если нужно, чтобы метод не игнорировал пропуски,
можно задать параметр skipna=False:
import pandas as pd
import numpy as np
df = pd.DataFrame({
'a': [1, np.nan, 3, 4, 5],
'b': [10, 20, 30, np.nan, 50]
})
res = df.sem(skipna=False)
print(res)
Результат выполнения кода:
a NaN
b NaN
dtype: float64
