eval()
評估資料並產生統計描述或比較結果。
語法
def eval(data: dict) -> dict[str, pd.DataFrame]參數
- data : dict, 必要
- 輸入資料字典
- describe 模式：
{"data": pd.DataFrame} - compare 模式（推薦）：
{"base": pd.DataFrame, "target": pd.DataFrame} - compare 模式（向後相容）：
{"ori": pd.DataFrame, "syn": pd.DataFrame} - 根據設定可能支援其他鍵值
返回值
- dict[str, pd.DataFrame]
- 包含評估結果的字典
- 鍵值取決於分析的粒度：
"global"：整體統計"columnwise"：欄位層級統計"pairwise"：成對欄位關係（相關性等）
說明
eval() 方法對提供的資料執行統計評估。行為取決於模式：
- Describe 模式：為單一資料集產生全面的統計摘要
- Compare 模式：比較多個資料集並計算差異
該方法會根據資料類型和設定自動決定要計算哪些統計量。
基本範例
Describe 模式
from petsard.evaluator import Describer
import pandas as pd
# 建立範例資料
df = pd.DataFrame({
'numeric': [1, 2, 3, 4, 5],
'category': ['A', 'B', 'A', 'C', 'B']
})
# 初始化並評估
describer = Describer(method='describe')
describer.create()
results = describer.eval(data={'data': df})
# 存取結果
print(results['global']) # 整體統計
print(results['columnwise']) # 每欄統計Compare 模式（推薦寫法）
from petsard.evaluator import Describer
import pandas as pd
# 建立基準和目標資料
base_df = pd.DataFrame({
'value': [1, 2, 3, 4, 5],
'type': ['A', 'B', 'A', 'C', 'B']
})
target_df = pd.DataFrame({
'value': [1.1, 2.2, 2.9, 4.1, 5.2],
'type': ['A', 'B', 'A', 'C', 'B']
})
# 初始化比較模式
describer = Describer(
method='describe',
mode='compare',
stats_method=['mean', 'std', 'jsdivergence'],
compare_method='pct_change'
)
describer.create()
# 評估比較（推薦使用 base/target）
results = describer.eval(data={'base': base_df, 'target': target_df})
# 存取比較結果
print(results['global']) # 全域比較分數
print(results['columnwise']) # 欄位比較Compare 模式（向後相容）
# 仍支援 ori/syn 命名（但建議使用 base/target）
results = describer.eval(data={'ori': base_df, 'syn': target_df})注意事項
- 資料準備：確保在評估前適當清理資料
- 記憶體使用：大型資料集在評估期間可能消耗大量記憶體
- 資料類型：數值和類別欄位會計算不同的統計量
- 缺失值：NaN 值會根據統計方法自動處理
- 效能：成對統計（相關性）對寬資料集可能計算成本較高
- 模式一致性：資料結構必須符合設定的模式（describe vs compare）
- 參數命名：compare 模式推薦使用
base/target取代ori/syn