describe() 默认仅对数值列生效，非数值列被跳过；若全为object类型则返回空或仅离散指标，需用dtypes检查、to_numeric转换或include="all"参数解决。
直接用 describe() 就能快速拿到数值列的统计摘要，但默认只对数值型列生效，非数值列（如字符串）会被自动跳过——这点常被忽略，导致你以为数据“没显示”，其实是类型不对。
为什么 describe() 有时返回空或列数很少？
这是最常见的困惑来源。Pandas 默认只对 numeric 类型列计算统计量（计数、均值、标准差、四分位数等）。如果 DataFrame 里全是 object 类型（比如读取 CSV 时未指定 dtype，数字被当字符串读入），describe() 就会返回一个空表，或仅返回 count 和 unique 等离散指标。
- 检查列类型：用
df.dtypes确认数值列是否为int64或float64 - 强制转换：对疑似数字的列运行
df["col"] = pd.to_numeric(df["col"], errors="coerce") - 显式要求所有列参与：加参数
include="all"，此时会对数值列和非数值列分别输出不同指标
describe() 的常用参数组合与效果差异
不加参数最省事，但实际分析中往往需要微调：
-
df.describe()：仅数值列，5 个分位点（0%, 25%, 50%, 75%, 100%）+ 均值、标准差、计数 -
df.describe(percentiles=[.1, .9])：自定义分位点，比如看 10% 和 90% 分位值 -
df.describe(include="all")：数值列输出常规统计量；非数值列输出count、unique、top（最频繁值）、freq（频次） -
df.describe(exclude=["number"])：反向筛选，只看非数值列
注意：include 和 exclude 不能同时使用，否则报错 ValueError: include and exclude cannot be used together。
如何让 describe() 包含分类变量的统计（比如众数、分布）
默认模式下，describe() 对 object 或 category 列只给基础离散指标，不够深入。想看每个类别的频次占比，得换方法：
- 单列频次：用
df["col"].value_counts(normalize=True)得到比例 - 多列汇总：写个小循环或用
df.select_dtypes("object").apply(lambda s: s.value_counts().head(3))查看各列前 3 高频值 - 配合
crosstab：比如pd.crosstab(df["gender"], df["region"])看交叉分布
别指望 describe() 自动做这些——它定位是“快速概览”，不是“深度探索”。
真正容易卡住的地方，往往是数据类型没清理干净就急着调 describe()，结果看到空表就以为函数坏了。先跑一遍 df.info() 和 df.head()，比反复查文档更快。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
