pandas.core.groupby.DataFrameGroupBy.var

DataFrameGroupBy.var(ddof=1, engine=None, engine_kwargs=None, numeric_only=False)[source]

Вычисление дисперсии групп, исключая пропущенные значения.

Для нескольких группировок индекс результата будет MultiIndex.

Параметры:

ddof:int, по умолчанию 1

Число степеней свободы.

engine:str, по умолчанию None

• 'cython' : Выполняет операцию с помощью C-расширений из cython.

• 'numba' : Выполняет операцию с помощью JIT-компилированного кода из numba.

• None : По умолчанию использует 'cython' или глобальную настройку compute.use_numba.

В версии 1.4.0.

engine_kwargs:dict, по умолчанию None

• Для 'cython' двигателя нет допустимых engine_kwargs.

• Для 'numba' двигателя, он может принимать nopython, nogil и parallel ключи словаря. Значения должны быть либо True или False. По умолчанию engine_kwargs для 'numba' двигателя равно {{'nopython': True, 'nogil': False, 'parallel': False}}.

В версии 1.4.0.

numeric_only:bool, по умолчанию False

Включать только данные типа float, int или boolean.

В версии 1.5.0.

Изменено в версии 2.0.0: numeric_only теперь по умолчанию False.

Возвращаемое значение:

Series или DataFrame

Дисперсия значений внутри каждой группы.

См. также

Series.groupby

Применение функции groupby к Series.

DataFrame.groupby

Применение функции groupby к каждой строке или столбцу DataFrame.

Примеры

Для SeriesGroupBy:

>>> lst = ['a', 'a', 'a', 'b', 'b', 'b']
>>> ser = pd.Series([7, 2, 8, 4, 3, 3], index=lst)
>>> ser
a     7
a     2
a     8
b     4
b     3
b     3
dtype: int64
>>> ser.groupby(level=0).var()
a    10.333333
b     0.333333
dtype: float64

Для DataFrameGroupBy:

>>> data = {'a': [1, 3, 5, 7, 7, 8, 3], 'b': [1, 4, 8, 4, 4, 2, 1]}
>>> df = pd.DataFrame(data, index=['dog', 'dog', 'dog',
...                   'mouse', 'mouse', 'mouse', 'mouse'])
>>> df
         a  b
  dog    1  1
  dog    3  4
  dog    5  8
mouse    7  4
mouse    7  4
mouse    8  2
mouse    3  1
>>> df.groupby(level=0).var()
              a          b
dog    4.000000  12.333333
mouse  4.916667   2.250000