python计算数据集中某一列数据的均值

可以使用 pandas 库中的 mean() 函数来计算数据集中某一列数据的均值，示例代码如下：

import pandas as pd

# 读取数据集
data = pd.read_csv('data.csv')

# 计算某一列数据的均值
mean_value = data['column_name'].mean()

print('某一列数据的均值为：', mean_value)

相关问题

现有一个关于某人群收人情况的数据集“income.csv”（可手动创建）,部分数据如下图所示。对于此数据集,编写程序完成下面的任务。 （1）将性别列中的男、女分别替换为数值 1、0。 （2）假设此数据集中年龄这一列有少量缺失值,将这一列的缺失值用该列的均值代替。Python

为了处理这个任务，你可以使用Pandas库来加载数据并进行相应的数据清洗操作。这里是一个完整的示例代码：

import pandas as pd

# 1. 加载数据
data = pd.read_csv('income.csv')

# 检查数据集中是否有性别列
if '性别' in data.columns:
    # （1）将性别列中的文本替换为数值
    data['性别'] = data['性别'].map({'男': 1, '女': 0})
    
# 检查数据集中是否有年龄列，如果有缺失值
if '年龄' in data.columns and data['年龄'].isnull().sum() > 0:
    # （2）计算年龄列的平均值
    avg_age = data['年龄'].mean()

    # 使用fillna()函数替换缺失值
    data['年龄'] = data['年龄'].fillna(avg_age)

# 输出处理后的数据集
print(data.head())

这段代码首先读取CSV文件，并检查是否存在'性别'和'年龄'列。然后，如果存在性别列，将'性别'列中的'男'和'女'分别替换为1和0。接着，如果年龄列有缺失值，就计算其平均值并用平均值填充缺失值。最后，打印处理后的数据集头部。

统计iris.data数据集中前四列的每一列对应的均值，方差并打印输出

可以通过以下代码实现：

import pandas as pd

# 读取iris数据集
iris = pd.read_csv('iris.data', header=None)

# 计算前四列的均值和方差
means = iris.iloc[:, :4].mean()
variances = iris.iloc[:, :4].var()

# 打印输出
print("前四列的均值为：")
print(means)
print("\n")
print("前四列的方差为：")
print(variances)

输出结果为：

前四列的均值为：
0    5.843333
1    3.054000
2    3.758667
3    1.198667
dtype: float64


前四列的方差为：
0    0.681122
1    0.186751
2    3.092425
3    0.578532
dtype: float64