关于Pandas版本： 本文基于 pandas2.1.2 编写。

关于本文内容更新： 随着pandas的stable版本更迭，本文持续更新，不断完善补充。

Pandas稳定版更新及变动内容整合专题： Pandas稳定版更新及变动迭持续更新。

Pandas API参考所有内容目录

Pandas.DataFrame.mean()

DataFrame.mean 方法用于返回指定轴向的平均值。

语法：

DataFrame.mean(axis=0, skipna=True, numeric_only=False, **kwargs)

返回值：

• Series or scalar

  • 输入的数据是单行或单列，则返回 scalar;
  • 输入的数据是多行或多列，则返回 Series。

参数说明：

axis 指定计算方向（行或列）

• axis : {0 or ‘index’, 1 or ‘columns’}, default 0

  axis 参数，用于指定计算方向，即按行计算或按列计算平均值：

  • 如果是 Series 此参数无效，将始终保持 axis=0，即计算整列的平均值。^例1
  • 如果是 DataFrame 默认为 axis=0 即计算每一列的平均值。并有以下参值可选:
    • 0 or ‘index’: 计算每列的平均值。 ^例3
    • 1 or ‘columns’： 计算每行的平均值。^例4
    • None: 计算所有值的平均值，这相当于把 DataFrame 的所有值展平后求平均值： df.mean(axis=None) 等效于 mean(df.values.raravel())

    • ⚠️ 注意 :
      字符串类型的值，不支持平均值运算。

      • 当 axis=None 时, DataFrame 所有值的数据类型必须数值类型的，否则会报错！ TypeError ^例2

  ✅ 新增于 Pandas 2.0.0 : axis 参数，新增于Pandas 2.0.0 版本。

skipna 忽略缺失值

• skipna : bool, default False >

  skipna 参数，用于指定求平均值的时候是否忽略缺失值：

  • False： 不忽略，缺失值 在求平均值的时候，会被解析为浮点数 float。当字符串和缺失值混合时，会报错！TypeError。
  • True: 忽略缺失值。

  ⚠️ 注意 :

  • 缺失值 在求平均值的时候，会被解析为浮点数 float。

  • 如果整行或整列，都是缺失值，那么平均值结果也是缺失值。 ^例5

numeric_only 仅计算全是数字类型的平均值

• numeric_only : bool, default False

  numeric_only 参数，用于控制是否排除非数值类型的值：

  • False： 不排除，计算同行或同列，所有数据的平均值。但是遇到数据类型不同的问题时，会报错。
  • True: 只计算数字类型数据的平均值，同行、同列的非数值类型数据会被排除。^例6

**kwargs 关键字参数

• kwargs
  kwargs 参数，是为了保持与 Numpy 的兼容性而保留的参数，一般不需要传递任何内容。

示例：

测试文件下载：

本文所涉及的测试文件，如有需要，可在文章顶部的绑定资源处下载。

若发现文件无法下载，应该是资源包有内容更新，正在审核，请稍后再试。或站内私信作者索要。

测试文件下载位置

例1：如果是 Series 始终保持 axis=0，即计算整列的平均值。

import numpy as np
import pandas as pd

s = pd.Series([24.0, np.nan, 21.0, 33, 26], name="age")
s.mean()

26.0

例2: 当 axis=None 时, DataFrame 的所有值的数据类型必须是数值类型的，否则会报错！

import numpy as np
import pandas as pd

df = pd.DataFrame(
    {
        "Person": ["John", "Myla", "Lewis", "John", "Myla"],
        "Age": [24.0, 2, 21.0, 33, 26],
        "Single": [False, True, True, True, False],
    }
)

df.mean(axis=None)

例3: 求 DataFrame 每列的平均值

import numpy as np
import pandas as pd

df = pd.DataFrame(
    {
        "Person": ["John", "Myla", "Lewis", "John", "Myla"],
        "Age": [24.0, 2, 21.0, 33, 26],
        "Single": [False, True, True, True, False],
    }
)

# 应返回的是Series，为了方便观察，使用.to_frame()，显式为表格形式
df.mean().to_frame()

	0
Person	John
Age	2.0
Single	False

例4: 求 DataFrame 每行的平均值

import numpy as np
import pandas as pd

df = pd.DataFrame(
    {"A": [28, "Lewis", True], "B": [24.0, "John", False], "C": [30, "Myla", True]}
)

# 应返回的是Series，为了方便观察，使用.to_frame()，显式为表格形式
df.mean(axis=1).to_frame()

	0
0	24.0
1	John
2	False

例5：如果整行或整列，都是缺失值，那么平均值结果也是缺失值。

import numpy as np
import pandas as pd

df = pd.DataFrame(
    {"A": [np.nan, np.nan]},
)

# 应返回的是Series，为了方便观察，使用.to_frame()，显式为表格形式
df.mean(axis=0).to_frame()

	0
A	NaN

例6：numeric_only=True 只对数值类型的数据求平均值

df = pd.DataFrame({"A": [0.5], "B": ["a"], "C": [True]})

# 应返回的是Series，为了方便观察，使用.to_frame()，显式为表格形式
df.mean(axis=1, numeric_only=True).to_frame()

	0
0	0.5