Python yra puiki kalba duomenų analizei atlikti, visų pirma dėl fantastiškos į duomenis orientuotos ekosistemos Python paketus. Pandos yra vienas iš tų paketų ir leidžia daug lengviau importuoti ir analizuoti duomenis.
Pandas DataFrame vidurkis()
Pandos dataframe.mean() funkcija grąžina pageidaujamos ašies reikšmių vidurkį. Jei metodas taikomas pandų serijos objektui, tada metodas grąžina skaliarinę vertę, kuri yra visų stebėjimų vidutinė vertė. Pandos duomenų rėmelis . Jei metodas taikomas Pandas Dataframe objektui, metodas grąžina a Pandos serija objektas, kuriame yra nurodytos ašies reikšmių vidurkis.
Sintaksė: DataFrame.mean(axis=0, skipna=tiesa, lygis=nėra, numeric_only=klaidinga, **kwargs)
Parametrai:
- ašis: {indeksas (0), stulpeliai (1)}
- įsakymas : Skaičiuodami rezultatą neįtraukite NA / nulines vertes
- lygis: Jei ašis yra kelių indeksų (hierarchinė), skaičiuokite pagal tam tikrą lygį, sutraukdami į seriją
- numeric_only : Įtraukti tik float, int ir loginius stulpelius. Jei Nėra, bandys naudoti viską, tada naudokite tik skaitinius duomenis. Neįdiegta serijai.
Grąžinimai: reiškia: serija arba duomenų rėmelis (jei nurodytas lygis)
Python programos pavyzdžiai
Pandas DataFrame.mean() Pavyzdžiai
1 pavyzdys:
Naudokite funkciją mean() norėdami rasti visų stebėjimų indekso ašyje vidurkį.
Python # importing pandas as pd import pandas as pd # Creating the dataframe df = pd.DataFrame({'A':[12, 4, 5, 44, 1], 'B':[5, 2, 54, 3, 2], 'C':[20, 16, 7, 3, 8], 'D':[14, 3, 17, 2, 6]}) # Print the dataframe df> 
Naudokime funkciją Dataframe.mean() norėdami rasti vidurkį indekso ašyje.
Python
# Even if we do not specify axis = 0, # the method will return the mean over # the index axis by default df.mean(axis = 0)>
Išvestis:
2 pavyzdys:
Naudokite funkciją mean() duomenų rėmelyje, kurio reikšmių nėra. Taip pat suraskite vidurkį virš stulpelio ašies.
Python # importing pandas as pd import pandas as pd # Creating the dataframe df = pd.DataFrame({'A':[12, 4, 5, None, 1], 'B':[7, 2, 54, 3, None], 'C':[20, 16, 11, 3, 8], 'D':[14, 3, None, 2, 6]}) # skip the Na values while finding the mean df.mean(axis = 1, skipna = True)> Išvestis:
