# Kā aprēķināt vidējos rādītājus ar pandas mean()

Python pandas `DataFrame.mean()` funkcija tiek izmantota, lai **aprēķinātu vidējos rādītājus** vienā vai vairākās DataFrame asīs. Pandas `mean()` ir būtiska skaitlisko datu analīzei. Papildus vidējo rādītāju aprēķināšanai tā sniedz arī ieskatu datu sadalījumā.

## Kāda ir sintakse `DataFrame.mean()`?

Funkcija pandas `mean()` pieņem **līdz trim parametriem** un tās sintakse ir šāda:

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

### Kādus parametrus var izmantot ar pandas `Dataframe.mean`?

Jūs varat izmantot dažādus parametrus, lai pielāgotu pandas `DataFrame.mean()` darbību.

<table>
  <thead>
    <tr>
      <th><strong>Parametrs</strong></th>
      <th><strong>Apraksts</strong></th>
      <th><strong>Noklusējuma vērtība</strong></th>
    </tr>
  </thead>
  <tbody>
    <tr>
      <td>`axis`</td>
      <td>Norāda, vai aprēķins tiek veikts pa rindām (`axis=0`) vai kolonnām (`axis=1`)</td>
      <td>`0`</td>
    </tr>
    <tr>
      <td>`skipna`</td>
      <td>Ja iestatīts uz `True`, NaN vērtības tiks ignorētas.</td>
      <td>`True`</td>
    </tr>
    <tr>
      <td>`numeric_only`</td>
      <td>Ja iestatīts uz `True`, aprēķinā tiks iekļauti tikai skaitliskie datu tipi.</td>
      <td>`False`</td>
    </tr>
  </tbody>
</table>

## Kā lietot pandas `mean()`

Jūs varat piemērot pandas `DataFrame.mean()` funkciju gan kolonnām, gan rindām.

### Vidējo vērtību aprēķināšana kolonnām

Vispirms izveidosim [pandas DataFrame](https://www.ionos.com/lv-lv/digitalguide/timekla-vietnes/timekla-izstrade/python-pandas-dataframe/) ar dažiem skaitliskajiem datiem:

```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)
```

Rezultātā iegūtais DataFrame izskatās šādi:

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

Lai aprēķinātu katras kolonnas vidējo vērtību, varat izmantot pandas `mean()` funkciju. Pēc noklusējuma ass parametrs ir iestatīts uz 0, kas atbilst kolonnām.

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

Iepriekš minētais kods aprēķina vidējo vērtību katrai kolonnai (A, B un C), aprēķinot attiecīgās kolonnas elementu summu un pēc tam dalot to ar elementu skaitu kolonnā. Rezultāts ir šāda pandas sērija:

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

### Vidējo vērtību aprēķināšana rindām

Ja vēlaties atrast vidējo rindu skaitu, vienkārši iestatiet parametru `axis` uz 1:

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

Pandas `mean()` aprēķina rindu vidējos, dalot rindas elementu summu ar elementu skaitu tajā. Izsaucot iepriekš minēto funkciju, tiek iegūts šāds rezultāts:

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

### NaN vērtību apstrāde

Šajā piemērā izmantosim citu DataFrame, kas satur NaN vērtības:

```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)
```

Iepriekš minētais kods rada šādu DataFrame:

```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
```

Aprēķinot kolonnas vidējos rādītājus, `skipna` parametrs nosaka, vai NaN vērtības ir jāiekļauj vai jāignorē. Pēc noklusējuma `skipna` ir iestatīts uz `True`, tādējādi `df.mean()` automātiski ignorē NaN vērtības. Ja vēlaties iekļaut NaN vērtības, kā parametru ir jāpievieno `skipna=False`. Tādējādi jebkura kolonna, kurā ir vismaz viena NaN vērtība, kā vidējo rādītāju atgriezīs NaN.

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

Zvanot uz `df.mean()`, tiek iegūts šāds rezultāts:

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


This is a markdown version of: [https://www.ionos.com/lv-lv/digitalguide/timekla-vietnes/timekla-izstrade/python-pandas-dataframe-videjais-raditajs/](https://www.ionos.com/lv-lv/digitalguide/timekla-vietnes/timekla-izstrade/python-pandas-dataframe-videjais-raditajs/) for AI/LLM consumption.