teradataml.dataframe.dataframe.DataFrame.skew = skew(self, distinct=False)

DESCRIPTION:
    Returns column-wise skewness of the distribution of the dataframe.
    Skewness is the third moment of a distribution. It is a measure of the asymmetry of the
    distribution about its mean compared with the normal (or Gaussian) distribution.
        * The normal distribution has a skewness of 0.
        * Positive skewness indicates a distribution having an asymmetric tail
          extending toward more positive values.
        * Negative skewness indicates an asymmetric tail extending toward more negative values.
 
    Notes:
        1. This function is valid only on columns with numeric types.
        2. Nulls are not included in the result computation.
        3. Following conditions will produce null result:
            a. Fewer than three non-null data points in the data used for the computation.
            b. Standard deviation for a column is equal to 0.
 
PARAMETERS:
    distinct:
        Optional Argument.
        Specifies whether to exclude duplicate values while calculating the skewness of the distribution.
        Default Values: False
        Types: bool
 
RETURNS:
    teradataml DataFrame object with skew()
    operation performed.
 
RAISES:
    TeradataMLException
    1. EXECUTION_FAILED - If the skew() operation fails to
        generate the column-wise skew value of the dataframe.
 
        Possible error message:
        Failed to perform 'skew'. (Followed by error message)
 
    2. TDMLDF_AGGREGATE_COMBINED_ERR - If the skew() operation
        doesn't support all the columns in the dataframe.
 
        Possible error message:
        No results. Below is/are the error message(s):
        All selected columns [(col2 -  PERIOD_TIME), (col3 -
        BLOB)] is/are unsupported for 'skew' operation.
 
EXAMPLES:
    # Load the data to run the example.
    >>> load_example_data("dataframe", ["admissions_train"])
 
    # Create teradataml dataframe.
    >>> df1 = DataFrame("admissions_train")
    >>> print(df1.sort('id'))
       masters   gpa     stats programming  admitted
    id
    1      yes  3.95  Beginner    Beginner         0
    2      yes  3.76  Beginner    Beginner         0
    3       no  3.70    Novice    Beginner         1
    4      yes  3.50  Beginner      Novice         1
    5       no  3.44    Novice      Novice         0
    6      yes  3.50  Beginner    Advanced         1
    7      yes  2.33    Novice      Novice         1
    8       no  3.60  Beginner    Advanced         1
    9       no  3.82  Advanced    Advanced         1
    10      no  3.71  Advanced    Advanced         1
    >>>
 
    # Prints skew value of each column(with supported data types).
    >>> df1.skew()
       skew_id  skew_gpa  skew_admitted
    0      0.0 -2.058969      -0.653746
    >>>
 
    #
    # Using skew() as Time Series Aggregate.
    #
    >>> # Load the example datasets.
    ... load_example_data("dataframe", ["ocean_buoys"])
    >>>
    >>> # Create the required DataFrames.
    ... # DataFrame on non-sequenced PTI table
    ... ocean_buoys = DataFrame("ocean_buoys")
    >>> # Check DataFrame columns and let's peek at the data
    ... ocean_buoys.columns
    ['buoyid', 'TD_TIMECODE', 'temperature', 'salinity']
    >>> ocean_buoys.head()
                           TD_TIMECODE  temperature  salinity
    buoyid
    0       2014-01-06 08:10:00.000000        100.0        55
    0       2014-01-06 08:08:59.999999          NaN        55
    1       2014-01-06 09:01:25.122200         77.0        55
    1       2014-01-06 09:03:25.122200         79.0        55
    1       2014-01-06 09:01:25.122200         70.0        55
    1       2014-01-06 09:02:25.122200         71.0        55
    1       2014-01-06 09:03:25.122200         72.0        55
    0       2014-01-06 08:09:59.999999         99.0        55
    0       2014-01-06 08:00:00.000000         10.0        55
    0       2014-01-06 08:10:00.000000         10.0        55
 
    #
    # Time Series Aggregate Example 1: Executing skew() function on DataFrame created on
    #                                  non-sequenced PTI table. We will consider all rows for the
    #                                  columns while calculating the skew values.
    #
    # To use skew() as Time Series Aggregate we must run groupby_time() first, followed by skew().
    >>> ocean_buoys_grpby1 = ocean_buoys.groupby_time(timebucket_duration="2cy",
    ...                                               value_expression="buoyid", fill="NULLS")
    >>> ocean_buoys_grpby1.skew().sort(["TIMECODE_RANGE", "buoyid"])
                                          TIMECODE_RANGE  GROUP BY TIME(CAL_YEARS(2))  buoyid skew_salinity  skew_temperature
    0  ('2014-01-01 00:00:00.000000-00:00', '2016-01-...                            2       0          None          0.000324
    1  ('2014-01-01 00:00:00.000000-00:00', '2016-01-...                            2       1          None          0.000000
    2  ('2014-01-01 00:00:00.000000-00:00', '2016-01-...                            2       2          None          0.000000
    3  ('2014-01-01 00:00:00.000000-00:00', '2016-01-...                            2      44          None          0.246084
    >>>
 
    #
    # Time Series Aggregate Example 2: Executing skew() function on DataFrame created on
    #                                  non-sequenced PTI table. We will consider DISTINCT values for the
    #                                  columns while calculating the skew value.
    #
    # To use skew() as Time Series Aggregate we must run groupby_time() first, followed by skew().
    >>> ocean_buoys_grpby1 = ocean_buoys.groupby_time(timebucket_duration="2cy",
    ...                                               value_expression="buoyid", fill="NULLS")
    >>> ocean_buoys_grpby1.skew(distinct = True).sort(["TIMECODE_RANGE", "buoyid"])
                                          TIMECODE_RANGE  GROUP BY TIME(CAL_YEARS(2))  buoyid skew_salinity  skew_temperature
    0  ('2014-01-01 00:00:00.000000-00:00', '2016-01-...                            2       0          None         -1.731321
    1  ('2014-01-01 00:00:00.000000-00:00', '2016-01-...                            2       1          None          0.000000
    2  ('2014-01-01 00:00:00.000000-00:00', '2016-01-...                            2       2          None          0.000000
    3  ('2014-01-01 00:00:00.000000-00:00', '2016-01-...                            2      44          None         -1.987828
    >>>