describe()默认仅统计数值列，需用include='all'包含全部类型；缺失值和唯一值需isna().sum()与nunique()单独计算；众数、偏度、峰度等需自定义agg或手动处理；导出推荐to_html或转置后to_excel。
用 describe() 快速生成基础统计报告
describe() 是最直接的入口，但默认只对数值列生效，且不包含众数、缺失值计数等常见需求。调用时注意：如果 DataFrame 含非数值列（如字符串 ID 或日期），它们会被自动忽略——这不是 bug，是 Pandas 的默认行为。
实操建议：
- 加参数
include='all'强制包含所有类型列，但要注意字符串列会返回count、unique、top、freq等非数值指标 - 对时间列，先用
pd.to_datetime()转换，再用describe(datetime_is_numeric=True)（Pandas ≥ 1.1）才能得到min/max/mean等数值化时间统计 - 若结果中
std为NaN，大概率是该列全为相同值或全空，不是计算失败
补充缺失值与唯一值统计（isna() 和 nunique()）
describe() 不提供缺失值比例和唯一值数量，这两个指标在数据质量检查中却极关键。别试图拼接多个 describe() 结果，容易错位。
实操建议：
- 用
df.isna().sum()得到每列缺失值个数，再除以len(df)即得比例 - 用
df.nunique(dropna=False)统计含NaN的唯一值数；若想排除NaN，设dropna=True（默认） - 把这两组结果转成 DataFrame 后用
pd.concat(..., axis=1)横向合并，比手动对齐索引更可靠
自定义函数生成众数、偏度、峰度等扩展指标
众数（mode()）、偏度（skew()）、峰度（kurtosis()）不在 describe() 默认输出里，但 Pandas 原生支持。注意 mode() 返回的是 Series（可能含多个值），不能直接塞进 describe() 的结果结构里。
实操建议：
- 对单列求众数：用
df['col'].mode().iloc[0] if not df['col'].mode().empty else np.nan，避免多众数导致的长度不一致错误 - 偏度/峰度需先确保列是数值型，否则抛
TypeError: unsupported operand type(s) for /: 'str' and 'int' - 用
df.agg(['mean', 'median', 'skew', 'kurtosis'])可批量计算，比循环调用更高效
导出为带格式的报告（避免直接 print）
直接 print describe() 输出在终端里难阅读，也不适合交付。别用字符串拼接生成 Markdown 表格——列宽错乱、小数位不统一、中文对齐崩坏。
实操建议：
- 用
to_html(classes='table table-striped')生成可嵌入网页的表格，配合 CSS 控制样式 - 导出 Excel 时，用
df.describe().T.to_excel('report.xlsx', float_format='%.3f')，T转置让指标变行更符合阅读习惯 - 若需合并多类统计（基础描述 + 缺失率 + 众数），先用
pd.DataFrame.from_dict({})构建统一索引，再写入文件，避免索引错位
真正麻烦的不是算出数字，而是让不同来源的统计量对齐到同一套索引上——列名重复、空值占位不一致、类型隐式转换，这些细节比公式本身更容易让报告失效。
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！
