Python Pandas DataFrame mean方法用法及代碼示例

例子

考慮以下 DataFrame ：

df = pd.DataFrame({"A":[2,3], "B":[4,5]})
df



   A  B
0  2  4
1  3  5

列均值

要計算每列的平均值：

df.mean()   # or axis=0



A    2.5
B    4.5
dtype: float64

行均值

要計算每行的平均值，請設置 axis=1 ：

df.mean(axis=1)



0    3.0
1    4.0
dtype: float64

指定skipna

考慮以下帶有缺失值的DataFrame：

df = pd.DataFrame({"A":[3,pd.np.nan,5]})
df



   A
0  3.0
1  NaN
2  5.0

默認情況下 skipna=True ，這意味著在計算平均值時將忽略所有缺失值：

df.mean()   # skipna=True



A    4.0
dtype: float64

考慮缺失值：

df.mean(skipna=False)



A   NaN
dtype: float64

請注意，如果行/列包含缺失值，則該行/列的平均值將為 NaN 。

指定numeric_only

考慮以下 DataFrame ：

df = pd.DataFrame({"A":[4,5], "B":[2,True], "C":["6",False]})
df



   A  B     C
0  4  2     "6"
1  5  True  False

此處， B 和 C 列都包含混合類型，但主要區別在於，求和是為 B 定義的，而不是為 C 定義的。計算平均值需要明確定義類型之間的求和。

回想一下， True 布爾值的內部表示是 1 ，因此操作 2+True 實際上計算為 3 ：

2 + True



3

另一方麵，"6"+False 拋出錯誤：

6 + "False"



TypeError: unsupported operand type(s) for +: 'int' and 'str'

None

默認情況下， numeric_only=None ，這意味著混合類型的行/列也會被考慮：

df.mean(numeric_only=None)



A    4.5
B    1.5
dtype: float64

在這裏，請注意如何計算列的平均值B，但不適合C。通過傳入None，無法計算平均值的行/列(由於類型求和無效)將簡單地為忽略而不引發錯誤.

False

通過設置 numeric_only=False ，將再次考慮混合類型的行/列，但當無法計算平均值時會拋出錯誤：

df.mean(numeric_only=False)



TypeError: can only concatenate str (not "bool") to str

在這裏，我們最終得到一個錯誤，因為 C 列包含混合類型，其中未定義 + 操作。

True

通過設置 numeric_only=True ，僅考慮數字行/列：

df.mean(numeric_only=True)



A 4.5
dtype: float64

請注意B 和C 列如何被忽略，因為它們包含混合類型。