如何用Python計算某欄平均數?
閱讀時間約 1 分鐘
首先資料如下
import pandas as pd
data = pd.read_excel("第一次段考分數.xlsx")
如果我們要計算【數學】該欄的平均數，可以用agg
dataAgg = data[["數學"]].agg("mean")
我們也可以同時計算多個欄位的平均數
dataAgg = data.agg({"數學":"mean","國文":"mean"})
如果想計算不同分組的平均數，可以先用groupby分組，再用agg計算
例如，我們用欄位【性別】作為分組，計算各組的平均數
dataGb = data.groupby("性別")
dataAgg = dataGb.agg({"數學":"mean","國文":"mean","英文":"mean","物理":"mean"})
留言0
查看全部
你可能也想看
Google News 追蹤
嘿，大家新年快樂~ 新年大家都在做什麼呢？
跨年夜的我趕工製作某個外包設計案，在工作告一段落時趕上倒數。
然後和兩個小孩過了一個忙亂的元旦。在深夜時刻，看到朋友傳來的解籤網站，興致勃勃熬夜體驗了一下，覺得非常好玩，或許有人玩過了，但還是想寫上來分享紀錄一下~
上兩篇有關List的文章，此篇文上兩章的延續，整理一些常用的方法和操作。
[Python]List(列表)新增、修改、刪除元素
[Python基礎]容器 list(列表),tuple(元組)
還有一些常用的 list 方法和操作，讓你能更靈活地處理列表數據
在資料分析過程中，透過衡量變數之間的線性或非線性關係，能有效探索數據集，篩選出重要特徵，並進行預測建模。本文介紹瞭如何理解數據、使用相關矩陣找出變數關聯性，以及利用互資訊評估變數之間的依賴程度，幫助資料科學家在建模過程中選擇適當的變數，提升模型效果。
Python資料視覺化在數據分析中扮演關鍵角色，透過視覺化捕捉數據模式、趨勢和異常，透過Matplotlib等工具創建專業圖表變相對簡單和高效。
本文介紹了在進行資料分析時，將類別欄位轉換為數值欄位的方法，包括Label Encoding、One-Hot Encoding、Binary Encoding、Target Encoding和Frequency Encoding。每種方法的應用範例、優缺點和適用場景都有詳細說明。
pandas是用於資料操縱和分析的Python軟體庫。它建造在 NumPy 基礎上，並為操縱數值表格和時間序列，提供了資料結構和運算操作。
Pandas 的主要資料結構包含 Series 和 DataFrame 物件，由於 Pandas 本身基 Numpy 所以在使用大量資料運算時效能表現也優於原
NumPy在圖像處理、機器學習、數學和統計學等領域中被廣泛應用。
以下是一些常見的應用場景：
數據處理和分析： NumPy提供了高效的多維數組（nd array）和相應的操作函數，使得對大型數據集進行快速、有效的操作變得容易。
嘿，大家新年快樂~ 新年大家都在做什麼呢？
跨年夜的我趕工製作某個外包設計案，在工作告一段落時趕上倒數。
然後和兩個小孩過了一個忙亂的元旦。在深夜時刻，看到朋友傳來的解籤網站，興致勃勃熬夜體驗了一下，覺得非常好玩，或許有人玩過了，但還是想寫上來分享紀錄一下~
上兩篇有關List的文章，此篇文上兩章的延續，整理一些常用的方法和操作。
[Python]List(列表)新增、修改、刪除元素
[Python基礎]容器 list(列表),tuple(元組)
還有一些常用的 list 方法和操作，讓你能更靈活地處理列表數據
在資料分析過程中，透過衡量變數之間的線性或非線性關係，能有效探索數據集，篩選出重要特徵，並進行預測建模。本文介紹瞭如何理解數據、使用相關矩陣找出變數關聯性，以及利用互資訊評估變數之間的依賴程度，幫助資料科學家在建模過程中選擇適當的變數，提升模型效果。
Python資料視覺化在數據分析中扮演關鍵角色，透過視覺化捕捉數據模式、趨勢和異常，透過Matplotlib等工具創建專業圖表變相對簡單和高效。
本文介紹了在進行資料分析時，將類別欄位轉換為數值欄位的方法，包括Label Encoding、One-Hot Encoding、Binary Encoding、Target Encoding和Frequency Encoding。每種方法的應用範例、優缺點和適用場景都有詳細說明。
pandas是用於資料操縱和分析的Python軟體庫。它建造在 NumPy 基礎上，並為操縱數值表格和時間序列，提供了資料結構和運算操作。
Pandas 的主要資料結構包含 Series 和 DataFrame 物件，由於 Pandas 本身基 Numpy 所以在使用大量資料運算時效能表現也優於原
NumPy在圖像處理、機器學習、數學和統計學等領域中被廣泛應用。
以下是一些常見的應用場景：
數據處理和分析： NumPy提供了高效的多維數組（nd array）和相應的操作函數，使得對大型數據集進行快速、有效的操作變得容易。