# Pandas mean(): come calcolare facilmente la media La funzione `DataFrame.mean()` in [Pandas per Python](https://www.ionos.it/digitalguide/siti-web/programmazione-del-sito-web/pandas-di-python/) serve a **calcolare il valore medio** in uno o più assi di un DataFrame. La funzione `mean()` di Pandas è fondamentale per l’analisi di dati numerici e permette di ottenere informazioni preziose sulla loro distribuzione e sui valori medi. ## La sintassi di `DataFrame.mean()` in Pandas La funzione `mean()` di Pandas accetta **fino a tre parametri** e presenta una semplice sintassi di base: ```python DataFrame.mean(axis=None, skipna=True, numeric_only=None) ``` ### Parametri applicabili Grazie a diversi parametri è possibile personalizzare il funzionamento di `DataFrame.mean()` in Pandas a seconda della tua applicazione specifica.
Parametro Descrizione Valore predefinito
`axis` Stabilisce se eseguire il calcolo sulle righe (`axis=0`) o sulle colonne (`axis=1`) `0`
`skipna` Se `True`, ignora i valori NaN `True`
`numeric_only` Se `True`, considera solo i tipi di dati numerici per il calcolo `False`
## Utilizzo della funzione `mean()` in Pandas È possibile applicare la funzione `DataFrame.mean()` di Pandas in diversi modi. ### Calcolo dei valori medi per ciascuna colonna Negli esempi di codice seguenti prendiamo in considerazione un [DataFrame di Pandas](https://www.ionos.it/digitalguide/siti-web/programmazione-del-sito-web/dataframe-in-pandas-per-python/) con i seguenti dati di esempio: ```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) ``` Il DataFrame risultante è il seguente: ```none A B C 0 1 4 7 1 2 5 8 2 3 6 9 3 4 7 10 ``` Per calcolare il valore medio di ciascuna colonna è possibile utilizzare la funzione `mean()` di Pandas con il parametro standard `axis=0`: ```python column_means = df.mean() print(column_means) ``` In questo modo vengono calcolati i valori medi di ogni colonna (A, B e C) dividendo la somma degli elementi per il numero di elementi nella colonna. Il risultato è la seguente serie di Pandas: ```none A 2.5 B 5.5 C 8.5 dtype: float64 ``` ### Calcolo dei valori medi per ciascuna riga Per calcolare il valore medio di ciascuna riga non devi far altro che utilizzare il parametro `axis` impostato su 1: ```python row_means = df.mean(axis=1) print(row_means) ``` Le medie di ogni riga vengono quindi calcolate con `mean()` in Pandas dividendo la somma degli elementi per il numero di elementi in ciascuna riga. La chiamata della funzione dà il seguente risultato: ```none 0 4.0 1 5.0 2 6.0 3 7.0 dtype: float64 ``` ### Ignorare i valori NaN L’esempio seguente utilizza un altro DataFrame che contiene alcuni valori NaN: ```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) ``` Il codice precedente dà il seguente DataFrame come risultato: ```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 ``` Per calcolare la media considerando i valori NaN si utilizza il parametro `skipna`. Il valore predefinito è `True`, ossia i valori NaN vengono ignorati automaticamente dalla funzione `mean()` in Pandas. Impostando invece `skipna=False`, anche la media di una qualsiasi colonna contenente almeno un valore NaN sarebbe NaN. ```python mean_with_nan = df.mean() print(mean_with_nan) ``` La chiamata della funzione `mean()` in Pandas dà questo risultato: ```none A 2.333333 B 5.666667 C 8.000000 dtype: float64 ``` This is a markdown version of: [https://www.ionos.it/digitalguide/siti-web/programmazione-del-sito-web/dataframe-mean-in-pandas-per-python/](https://www.ionos.it/digitalguide/siti-web/programmazione-del-sito-web/dataframe-mean-in-pandas-per-python/) for AI/LLM consumption.