Python pandas.DataFrame.mean函数方法的使用

Pandas是基于NumPy 的一种工具，该工具是为了解决数据分析任务而创建的。Pandas 纳入了大量库和一些标准的数据模型，提供了高效地操作大型数据集所需的工具。Pandas提供了大量能使我们快速便捷地处理数据的函数和方法。你很快就会发现，它是使Python成为强大而高效的数据分析环境的重要因素之一。本文主要介绍一下Pandas中pandas.DataFrame.mean方法的使用。

DataFrame.mean(self, axis=None, skipna=None, level=None, numeric_only=None, **kwargs) [source]

返回所请求轴的值的平均值。

参数：

axis：{index (0), columns (1)}

要应用的功能的轴。

skipna：bool，默认为True，

计算结果时排除NA/null值。

level：int或级别名称，

默认为None

如果轴是MultiIndex（分层），

则沿特定级别计数，并折叠为Series。

numeric_only：bool，

默认值None

仅包括float，int，boolean列。

如果为None，将尝试使用所有内容，

然后仅使用数字数据。未针对Series实施。

**kwargs

要传递给函数的其他关键字参数。

Series 或 DataFrame(如果指定level)

例子

import pandas as pd    
info= pd.DataFrame（{ “A” ：[ 8 ，  2 ，  7 ，  12 ，  6 ]，   
                   “B” ：[ 26 ，  19 ，  7 ，  5 ，  9 ]，    
                   “C” ：[ 10 ，  11 ，  15 ，  4 ，  3 ]，   
                   “d” ：[ 16 ，  24 ，  14 ，  22 ，  1 ]}）     
＃打印数据框   
info
＃如果 未指定 axis =  0 ，则默认情况下 方法  返回 均值   
＃索引轴   
info.mean(axis = 0)

输出结果：

7.0
B 13.2
C 8.6
D 15.4
dtype：float64

import pandas as pd ＃创建DataFrameinfo = pd.DataFrame({"A":[5, 2, 6, 4, None],                      "B":[12, 19, None, 8, 21],                      "C":[15, 26, 11, None, 3],                     "D":[14, 17, 29, 16, 23]})   # while finding mean, it skip null values   info.mean（axis = 1，skipna = True）

输出结果：

0 11.500000
1 16.000000
2 15.333333
3 9.333333
4 15.666667
dtype：float64