# Kaip apskaičiuoti vidurkius naudojant pandas mean()

Python pandas `DataFrame.mean()` funkcija naudojama **vidurkiams apskaičiuoti** pagal vieną ar daugiau DataFrame ašių. Pandas `mean()` yra būtina skaitmeninių duomenų analizei. Be vidurkių apskaičiavimo, ji taip pat suteikia informacijos apie duomenų pasiskirstymą.

## Kokia yra `DataFrame.mean()` sintaksė?

Funkcija pandas `mean()` priima **iki trijų parametrų** ir turi tokią sintaksę:

```python
DataFrame.mean(axis=None, skipna=True, numeric_only=None)
```

### Kokie parametrai gali būti naudojami su pandas `Dataframe.mean`?

Galite naudoti įvairius parametrus, kad pritaikytumėte pandas `DataFrame.mean()` veikimą.

<table>
  <thead>
    <tr>
      <th><strong>Parametras</strong></th>
      <th><strong>Aprašymas</strong></th>
      <th><strong>Numatytasis vertė</strong></th>
    </tr>
  </thead>
  <tbody>
    <tr>
      <td>`axis`</td>
      <td>Nurodo, ar skaičiavimas atliekamas pagal eilutes (`axis=0`) ar stulpelius (`axis=1`)</td>
      <td>`0`</td>
    </tr>
    <tr>
      <td>`skipna`</td>
      <td>Jei nustatyta `True`, NaN reikšmės bus ignoruojamos.</td>
      <td>`True`</td>
    </tr>
    <tr>
      <td>`numeric_only`</td>
      <td>Jei nustatoma `True`, į skaičiavimus bus įtraukti tik skaitmeniniai duomenų tipai.</td>
      <td>`False`</td>
    </tr>
  </tbody>
</table>

## Kaip naudoti pandas `mean()`

Pandas `DataFrame.mean()` funkciją galite taikyti tiek stulpeliams, tiek eilutėms.

### Vidutinių stulpelių verčių skaičiavimas

Pirmiausia sukursime [pandas DataFrame](https://www.ionos.com/lt-lt/digitalguide/interneto-svetaines/interneto-svetainiu-kurimas/python-pandas-duomenu-remelis/) su keliais skaitiniais duomenimis:

```python
import pandas as pd
data = {
    'A': [1, 2, 3, 4],
    'B': [4, 5, 6, 7],
    'C': [7, 8, 9, 10]
}
df = pd.DataFrame(data)
print(df)
```

Gautas duomenų rėmelis atrodo taip:

```none
A  B    C
0  1  4    7
1  2  5    8
2  3  6    9
3  4  7  10
```

Norėdami apskaičiuoti kiekvienos stulpelio vidurkį, galite naudoti pandas `mean()` funkciją. Pagal numatytuosius nustatymus ašies parametras yra nustatytas kaip 0, kuris atitinka stulpelius.

```python
column_means = df.mean()
print(column_means)
```

Pateiktas kodas apskaičiuoja kiekvienos kolonos (A, B ir C) vidurkį, surandant atitinkamos kolonos elementų sumą ir padalijant ją iš kolonos elementų skaičiaus. Rezultatas yra toks pandas serijos:

```none
A    2.5
B    5.5
C    8.5
dtype: float64
```

### Eilutės vidutinių verčių skaičiavimas

Jei norite rasti eilučių vidurkį, tiesiog nustatykite parametrą `axis` į 1:

```python
row_means = df.mean(axis=1)
print(row_means)
```

Pandas `mean()` apskaičiuoja eilučių vidurkius, dalydamas eilutės elementų sumą iš elementų skaičiaus. Iššaukdami aukščiau pateiktą funkciją, gausime tokį rezultatą:

```none
0    4.0
1    5.0
2    6.0
3    7.0
dtype: float64
```

### NaN verčių tvarkymas

Šiame pavyzdyje naudosime kitą duomenų rėmelį, kuriame yra NaN reikšmės:

```python
import pandas as pd
import numpy as np
data = {
    'A': [1, 2, np.nan, 4],
    'B': [4, np.nan, 6, 7],
    'C': [7, 8, 9, np.nan]
}
df = pd.DataFrame(data)
print(df)
```

Pateiktas kodas sukuria tokį duomenų rėmelį:

```none
A    B    C
0  1.0  4.0  7.0
1  2.0  NaN  8.0
2  NaN  6.0  9.0
3  4.0  7.0  NaN
```

Apskaičiuojant stulpelių vidurkius, parametras `skipna` nustato, ar NaN reikšmės turi būti įtrauktos, ar ignoruojamos. Pagal numatytuosius nustatymus `skipna` yra nustatytas kaip `True`, todėl `df.mean()` automatiškai ignoruoja NaN reikšmes. Jei norite įtraukti NaN reikšmes, turite pridėti `skipna=False` kaip parametrą. Tai padaryti, bet kuris stulpelis, kuriame yra bent viena NaN reikšmė, grąžins NaN kaip savo vidurkį.

```python
mean_with_nan = df.mean() 
print(mean_with_nan)
```

Skambinant `df.mean()` gaunamas toks rezultatas:

```none
A    2.333333
B    5.666667
C    8.000000
dtype: float64
```


This is a markdown version of: [https://www.ionos.com/lt-lt/digitalguide/interneto-svetaines/interneto-svetainiu-kurimas/python-pandas-dataframe-vidurkis/](https://www.ionos.com/lt-lt/digitalguide/interneto-svetaines/interneto-svetainiu-kurimas/python-pandas-dataframe-vidurkis/) for AI/LLM consumption.