6 min de leitura

Pandas #7 - Estatísticas Descritivas e describe()

Como resumir um DataFrame inteiro com describe(), contar valores únicos com value_counts(), unique() e nunique(), e localizar o índice do maior e do menor valor com idxmax() e idxmin().

Pandas #7 - Estatísticas Descritivas e describe()

No post anterior você organizou a ordem e os rótulos de um DataFrame. Agora que os dados estão limpos e organizados, chegou a hora de resumi-los: em vez de rodar .mean(), .std() e .min() um de cada vez, o Pandas tem métodos que entregam várias estatísticas de uma vez só — ou que resumem colunas de texto e categoria, que não aceitam média nenhuma.

Neste post você vai conhecer describe(), value_counts(), unique(), nunique() e idxmax()/idxmin().

Resumindo tudo de uma vez com describe()

describe() é provavelmente o método mais usado pra ter uma primeira visão geral de um DataFrame — ele calcula várias estatísticas de cada coluna numérica numa única chamada.

Exemplo 1 - describe() num DataFrame numérico

import pandas as pd

dados = {
    "idade": [23, 45, 31, 62, 28, 39, 51],
    "salario": [3200, 8900, 5400, 12000, 4100, 6800, 9500]
}

df = pd.DataFrame(dados)
print(df.describe())

A saída é:

           idade       salario
count   7.000000      7.000000
mean   39.857143   7128.571429
std    13.797516   3067.960432
min    23.000000   3200.000000
25%    29.500000   4750.000000
50%    39.000000   6800.000000
75%    48.000000   9200.000000
max    62.000000  12000.000000

Numa chamada só, você já tem contagem (count), média (mean), desvio padrão (std), mínimo, os três quartis (25%, 50%, 75%) e máximo — o suficiente pra ter uma ideia da distribuição de cada coluna sem calcular nada manualmente.

Nota: describe() calcula esses percentuais só pras colunas numéricas por padrão. Se o seu DataFrame tiver só colunas de texto, describe() muda automaticamente pra mostrar count, unique, top (valor mais frequente) e freq (quantas vezes ele aparece) — um resumo diferente, mais adequado pra dados categóricos.

Contando valores únicos com value_counts()

Enquanto describe() resume números, value_counts() é a ferramenta certa pra colunas de texto ou categoria: ele conta quantas vezes cada valor distinto aparece.

Exemplo 2 - contando ocorrências

pedidos = pd.DataFrame({
    "status": ["entregue", "enviado", "entregue", "pendente", "entregue", "enviado"]
})

print(pedidos["status"].value_counts())

status
entregue    3
enviado     2
pendente    1
Name: count, dtype: int64

Por padrão, o resultado já vem ordenado do valor mais frequente pro menos frequente — uma forma rápida de responder “qual status é mais comum?” sem escrever um groupby().

Valores distintos: unique() e nunique()

Às vezes o que interessa não é a contagem, e sim simplesmente quais valores distintos existem numa coluna, ou quantos são.

Exemplo 3 - listando e contando valores distintos

print(pedidos["status"].unique())
print(pedidos["status"].nunique())

['entregue' 'enviado' 'pendente']
3

unique() devolve um array com cada valor distinto (na ordem em que apareceu pela primeira vez), e nunique() devolve só a contagem — útil, por exemplo, pra confirmar rapidamente quantas categorias diferentes uma coluna tem antes de decidir se vale a pena convertê-la pra category.

Localizando o índice do maior e do menor valor

Por fim, duas funções que respondem “onde” está o valor extremo, não só “qual” é ele.

Exemplo 4 - idxmax() e idxmin()

print(df["salario"].idxmax())
print(df["salario"].idxmin())

3
0

idxmax() devolve o rótulo do índice onde está o maior valor da coluna (nesse caso, a posição 3, com salário 12000), e idxmin() faz o mesmo pro menor. É uma diferença importante em relação a .max()/.min(), que devolvem o próprio valor — idxmax()/idxmin() devolvem onde aquele valor está, o que é útil quando você quer ver a linha inteira correspondente:

print(df.loc[df["salario"].idxmax()])

idade         62
salario    12000
Name: 3, dtype: int64

Personalizando describe() com percentiles e include

Por padrão, describe() mostra os quartis 25%, 50% e 75%. O parâmetro percentiles deixa você escolher outros cortes — por exemplo, os decis 10% e 90%.

Exemplo 5 - percentis customizados

print(df.describe(percentiles=[0.1, 0.9]))

           idade       salario
count   7.000000      7.000000
mean   39.857143   7128.571429
std    13.797516   3067.960432
min    23.000000   3200.000000
10%    25.400000   3620.000000
50%    39.000000   6800.000000
90%    54.800000  10160.000000
max    62.000000  12000.000000

E quando o DataFrame mistura colunas numéricas e de texto, include="all" força o describe() a resumir todas elas juntas, combinando as duas visões — estatísticas numéricas onde fazem sentido, contagem e valor mais frequente onde não fazem:

dados_mistos = pd.DataFrame({"idade": [23, 45, 31], "cidade": ["Recife", "Recife", "Curitiba"]})
print(dados_mistos.describe(include="all"))

            idade   cidade
count    3.000000        3
unique        NaN        2
top           NaN   Recife
freq          NaN        2
mean    33.000000      NaN
std     11.269428      NaN
min     23.000000      NaN
25%     27.000000      NaN
50%     31.000000      NaN
75%     38.000000      NaN
max     45.000000      NaN

Cada coluna fica com NaN nas estatísticas que não fazem sentido pro seu tipo — cidade não tem mean, e idade não tem top/freq.

Com describe(), value_counts(), unique(), nunique(), idxmax() e idxmin(), você já consegue resumir tanto colunas numéricas quanto categóricas sem escrever cálculos manuais. O próximo post continua na linha de estatísticas, indo além do resumo estático: funções cumulativas, rank() e médias móveis com rolling().

Fonte adaptada: Pandas - Basic Functionality, Pandas - Descriptive Statistics