Pandas Series.mean() Funktion

Pandas 常用函数Gängige Pandas-Funktionen

Series.mean()ist eine Funktion in Pandas, die verwendet wird, um den Mittelwert aller Elemente in einer Series zu berechnen. Der Mittelwert ist einer der am häufigsten verwendeten statistischen Indikatoren und repräsentiert die zentrale Tendenz einer Datenmenge.

Ob Sie Durchschnittsgehalt, Durchschnittsverkäufe oder Durchschnittsnoten berechnen,mean()kann es Ihnen helfen, die Aufgabe schnell zu erledigen. Es ist ein Kernindikator zur Beschreibung der zentralen Tendenz eines Datensatzes.

Grundlegende Syntax und Parameter

mean()ist eine Member-Funktion des Series-Objekts, die direkt über den Punktoperator aufgerufen wird.

Syntaxformat

Series.mean(axis=None, skipna=True, level=None, numeric_only=None, **kwargs)

Parameterbeschreibung

Parameter Type Beschreibung Standardwert
axis int Gibt die Achse an. Eine Series hat nur eine Datenzeile, daher dient dieser Parameter hauptsächlich der Kompatibilität mit DataFrame. Keine
skipna bool Wenn True, werden NaN-Werte während der Berechnung übersprungen; wenn False, gibt das Ergebnis NaN zurück, wenn NaN auftritt. True
level int oder str Wenn die Series einen MultiIndex hat, gibt an, welche Ebene berechnet werden soll. Keine
numeric_only bool Wenn True, werden nur numerische Daten berechnet; andernfalls wird versucht, in numerische Daten umzuwandeln. False

Rückgabewert

  • Rückgabetyp：float(Selbst wenn die Eingabe eine Ganzzahl ist, wird der Rückgabewert in einen float umgewandelt)
  • Beschreibung: Gibt den Mittelwert aller gültigen Elemente in der Series zurück. Wenn alle Elemente NaN sind, wird NaN zurückgegeben.

Beispiele

Lassen Sie uns dies anhand einer Reihe von Beispielen von einfach bis komplex gründlich meistern,Series.mean()die Verwendung von.

Beispiel 1: Grundlegende Verwendung - Durchschnittliche Punktzahl der Schülernoten berechnen

Die grundlegendste Verwendung besteht darin, eine numerische Series zu erstellen und dann aufzurufenmean()um den Mittelwert zu berechnen.

Beispiel

import pandas as pd

# Eine Series mit Schülernoten erstellen
# Simuliere die Prüfungsergebnisse von 8 Schülern in einer Klasse
scores = pd.Series([85, 92, 78, 90, 88, 76, 95, 82])

# Durchschnittsnote berechnen
average_score = scores.mean()

print("Prüfungsergebnisse der Studierenden:")
print(scores)
print()
print(f"Durchschnittsnote: {average_score:.2f} Punkte")

Ausgabe:

学生考试成绩：
0    85
1    92
2    78
3    90
4    88
5    76
6    95
7    82
dtype: int64

平均成绩：85.75 分

Code-Erklärung:

  • Erstellte eine Series mit den Noten von 8 Studierenden.
  • mean()Berechnet die Summe aller Noten (685) geteilt durch die Anzahl der Studierenden (8), was den Mittelwert 85.75 ergibt.
  • Hinweis: Der Rückgabewert ist ein Float, auch wenn die Eingabe eine Ganzzahl ist.

Beispiel 2: Umgang mit fehlenden Werten

Reale Daten enthalten oft fehlende Werte,skipnader Parameter bestimmt, wie mit diesen fehlenden Werten umgegangen wird.

Beispiel

import pandas as pd
import numpy as np

# Eine Series mit fehlenden Werten erstellen
# Simuliere einen Studierenden, der krankheitsbedingt bei einigen Prüfungen fehlt
scores_with_nan = pd.Series([85, 92, np.nan, 90, 88, np.nan, 95, 82])

print("Daten einschließlich fehlender Prüfungsergebnisse:")
print(scores_with_nan)
print()

# Standardmäßig skipna=True, NaN beim Berechnen des Mittelwerts überspringen
average_skipna = scores_with_nan.mean()
print(f"Durchschnittsnote mit skipna=True (Standard): {average_skipna:.2f}")

# Setze skipna=False, bei NaN wird NaN zurückgegeben
average_no_skipna = scores_with_nan.mean(skipna=False)
print(f"Durchschnittsnote mit skipna=False: {average_no_skipna}")

Ausgabe:

包含缺考成绩的数据：
0    85.0
1    92.0
2       NaN
3    90.0
4    88.0
5       NaN
6    95.0
7    82.0
dtype: float64

skipna=True（默认）时的平均成绩：88.67
skipna=False 时的平均成绩：nan

Code-Erklärung:

  • Wannskipna=TrueWenn (Standardwert), wird nur der Mittelwert der gültigen Werte berechnet.
  • Berechnungsprozess: (85 + 92 + 90 + 88 + 95 + 82) / 6 = 532 / 6 = 88.67
  • Wannskipna=FalseWenn , solange NaN existiert, gibt das Ergebnis NaN zurück.

Beispiel 3: Verwenden einer MultiIndex-Series

Für eine Series mit einem hierarchischen Index (MultiIndex) können Sie angeben, auf welcher Ebene der Mittelwert berechnet werden soll.

Beispiel

import pandas as pd

# Erstelle eine Series mit einem MultiIndex
# Simuliere Noten von Schülern aus zwei Klassen
multi_index_scores = pd.Series(
    [85, 92, 78, 90, 88, 76, 95, 82],
    index=pd.MultiIndex.from_tuples([
        ('Klasse A', 'Schüler 1'), ('Klasse A', 'Schüler 2'), ('Klasse A', 'Schüler 3'), ('Klasse A', 'Schüler 4'),
        ('Klasse B', 'Schüler 1'), ('Klasse B', 'Schüler 2'), ('Klasse B', 'Schüler 3'), ('Klasse B', 'Schüler 4')
    ],
    names=['Klasse', 'Schüler']
    )
)

print("Schülernoten aus zwei Klassen:")
print(multi_index_scores)
print()

# Durchschnittsnote aller Schüler berechnen
overall_mean = multi_index_scores.mean()
print(f"Durchschnittsnote aller Studierenden: {overall_mean:.2f}")
print()

# Durchschnittsnote nach Klasse berechnen (mithilfe des level-Parameters)
class_a_mean = multi_index_scores.xs('Class A', level='Class').mean()
class_b_mean = multi_index_scores.xs('Class B', level='Class').mean()

print(f"Durchschnittsnote der Studierenden in Class A: {class_a_mean:.2f}")
print(f"Durchschnittsnote der Studierenden in Class B: {class_b_mean:.2f}")

Ausgabe:

两个班级的学生成绩：
班级   学生
A班    学生1    85
       学生2    92
       学生3    78
       学生4    90
B班    学生1    88
       学生2    76
       学生3    95
       学生4    82
dtype: int64

所有学生平均成绩：85.75

A班学生平均成绩：86.25
B班学生平均成绩：85.25

Code-Erklärung:

  • Eine Series mit zwei Indexebenen wurde erstellt, benannt nach "Class" bzw. "Student".
  • Direkter Aufrufmean()berechnet den Mittelwert aller Elemente.
  • Mit derxs()Methode: Sie können Daten nach einer bestimmten Ebene filtern und dann den Mittelwert berechnen.

Beispiel 4: Anwendung in der realen Datenanalyse

Kombiniert mit realen Geschäftsszenarien, um zu demonstrierenmean()typische Anwendungen von.

Beispiel

import pandas as pd
import numpy as np

# Simulierte tägliche Schlusskursdaten für Aktien erstellen
stock_prices = pd.Series([
    100.5, 102.3, 98.7, 101.2, 103.5,
    105.2, 103.8, 107.1, 108.3, 106.9
], index=['Montag', 'Dienstag', 'Mittwoch', 'Donnerstag', 'Freitag',
          'Montag', 'Dienstag', 'Mittwoch', 'Donnerstag', 'Freitag'])

# Daten für zwei Wochen erstellen
week1 = stock_prices[:5]
week2 = stock_prices[5:]

print("Aktienkurse Woche 1:")
print(week1)
print(f"Durchschnittspreis Woche 1: {week1.mean():.2f}")
print()

print("Aktienkurse Woche 2:")
print(week2)
print(f"Durchschnittspreis Woche 2: {week2.mean():.2f}")
print()

# Berechne die Differenz der Durchschnittspreise zwischen den beiden Wochen
price_diff = week2.mean() - week1.mean()
print(f"Durchschnittliche Preisdifferenz zwischen den beiden Wochen: {price_diff:.2f}")

Ausgabe:

第一周股票价格：
周一    100.5
周二    102.3
周三     98.7
周四    101.2
周五    103.5
dtype: float64
第一周平均价格：101.24

第二周股票价格：
周一    105.2
周二    103.8
周三    107.1
周四    108.3
周五    106.9
dtype: float64
第二周平均价格：106.26

两周平均价格差异：5.02

Hinweise

  • mean()Der Rückgabewert ist immer ein Float, auch wenn alle Eingabedaten ganze Zahlen sind.
  • Der Mittelwert ist empfindlich gegenüber Extremwerten (Ausreißern); Extremwerte können das Berechnungsergebnis erheblich beeinflussen.
  • Wenn viele fehlende Werte in den Daten vorhanden sind, sollten Sie bei der Verwendungskipna=Truebeachten, dass der Mittelwert nur auf der Grundlage eines Teils der Daten berechnet wird.
  • Bei Series, die nicht numerische Daten enthalten, müssen Sie zuerst die Daten bereinigen oder dienumeric_only=TrueParameter überschrieben werden.

Zusammenfassung

Series.mean()ist eine der am häufigsten verwendeten statistischen Funktionen in Pandas. Zu den wichtigsten Merkmalen gehören:

  • Einfach und unkompliziert in der Anwendung, wird direkt über den Punktoperator aufgerufen.
  • Unterstützt die Behandlung fehlender Werte durch dieskipnaParameter überschrieben werden.
  • Unterstützt MultiIndex, kann durch Auswahl einer Ebene berechnet werden.
  • Der Rückgabewert ist immer ein Float, was Präzision gewährleistet.

Der Mittelwert ist ein wichtiger Indikator zur Beschreibung der zentralen Tendenz eines Datensatzes, aber wenn extreme Werte in den Daten vorhanden sind, müssen Sie möglicherweise die Verwendung des Medians (median()) um die zentrale Position der Daten besser widerzuspiegeln.

Pandas 常用函数Gängige Pandas-Funktionen

Andere Erweiterungen