В мире анализа и обработки данных вычисление средних значений играет решающую роль. Независимо от того, имеете ли вы дело с финансовыми данными, результатами опросов или любой другой числовой информацией, умение эффективно вычислять средние значения имеет важное значение. В этой статье блога мы рассмотрим различные методы в библиотеке Python Pandas для расчета средних значений, попутно предоставляя примеры кода. Итак, давайте погрузимся и станем мастерами усредненных вычислений в Pandas!
Метод 1: использование функцииmean()
Функцияmean() в Pandas позволяет нам вычислять среднее значение столбца или ряда. Допустим, у нас есть DataFrame под названием dfсо столбцом с именем «баллы». Мы можем вычислить средний балл с помощью функцииmean() следующим образом:
average_score = df['scores'].mean()
print("Average score:", average_score)Метод 2: использование функции groupby()
Функция groupby() удобна, когда мы хотим вычислить средние значения на основе определенных групп или категорий в наших данных. Например, предположим, что у нас есть DataFrame под названием dfсо столбцами «категория» и «продажи». Мы можем рассчитать средний объем продаж для каждой категории с помощью функции groupby() следующим образом:
average_sales = df.groupby('category')['sales'].mean()
print(average_sales)Метод 3: использование функцииrolling().
Функцияrolling() в Pandas позволяет нам рассчитывать скользящие средние значения для заданного размера окна. Это особенно полезно для данных временных рядов или когда мы хотим сгладить колебания. Предположим, у нас есть DataFrame с именем dfи столбцом с именем «цена». Мы можем вычислить скользящее среднее трех последних цен, используя метод Rolling(), как показано ниже:
rolling_average = df['price'].rolling(window=3).mean()
print(rolling_average)Метод 4: применение функции Transform()
Функция Transform() позволяет нам вычислять средние значения, сохраняя при этом исходную форму DataFrame. Это означает, что результат будет иметь то же количество строк, что и исходный DataFrame. Допустим, у нас есть DataFrame под названием dfсо столбцами «Категория» и «Продажи». Мы можем вычислить средние продажи для каждой категории и присвоить их новому столбцу с помощью метода Transform() следующим образом:
df['average_sales'] = df.groupby('category')['sales'].transform('mean')
print(df)Метод 5: использование функции np.average()
В некоторых случаях нам может потребоваться вычислить средневзвешенные значения. В таких сценариях может пригодиться функция np.average() из библиотеки NumPy. Допустим, у нас есть DataFrame под названием dfсо столбцами «значения» и «веса». Мы можем вычислить средневзвешенное значение с помощью np.average(), как показано ниже:
weighted_average = np.average(df['values'], weights=df['weights'])
print("Weighted average:", weighted_average)Вычисление средних значений — фундаментальная задача анализа данных, и Pandas предоставляет широкий спектр методов для эффективного выполнения этой задачи. В этой статье мы рассмотрели пять различных методов:mean(),groupby(),rolling(),transform() и np.average(). Освоив эти методы, вы будете готовы выполнять расчеты средних значений в различных сценариях. Так что вперед, применяйте эти методы к своим данным и получайте ценную информацию!