# Pandas mean(): Durchschnittswerte einfach errechnen

Die DataFrame.mean()-Funktion [Python Pandas](https://www.ionos.at/digitalguide/websites/web-entwicklung/python-pandas/) dient zur **Berechnung des Durchschnittswerts** über eine oder mehrere Achsen eines DataFrames. Pandas mean() ist entscheidend für die Analyse numerischer Daten und kann wertvolle Einblicke in deren Verteilung und Durchschnittswerte liefern.

## Syntax von Pandas `DataFrame.mean()`

Die Pandas-`mean()`-Funktion nimmt **bis zu drei Parameter** entgegen und folgt einer einfachen grundlegenden Syntax:

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

### Relevante Parameter

Mithilfe verschiedener Parameter kann das Verhalten von Pandas `DataFrame.mean()` für Ihren individuellen Anwendungsfall angepasst werden.

<table>
  <thead>
    <tr>
      <th><strong>Parameter</strong></th>
      <th><strong>Beschreibung</strong></th>
      <th><strong>Default-Wert</strong></th>
    </tr>
  </thead>
  <tbody>
    <tr>
      <td>axis</td>
      <td>Bestimmt, ob die Berechnung über Zeilen (axis=0) oder Spalten (axis=1) erfolgen soll</td>
      <td>0</td>
    </tr>
    <tr>
      <td>skipna</td>
      <td>Wenn True, werden NaN-Werte ignoriert</td>
      <td>True</td>
    </tr>
    <tr>
      <td>numeric_only</td>
      <td>Wenn True, werden nur numerische Datentypen in die Berechnung einbezogen</td>
      <td>False</td>
    </tr>
  </tbody>
</table>

## Anwendung der Pandas mean()-Funktion

Pandas `DataFrame.mean()` kann auf verschiedene Weise angewendet werden.

### Durchschnittswerte für jede Spalte berechnen

In den folgenden Codebeispielen wird ein [Pandas-DataFrame](https://www.ionos.at/digitalguide/websites/web-entwicklung/python-pandas-dataframe/) mit den folgenden Beispieldaten betrachtet:

```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)
```

Der resultierende DataFrame ist der folgende:

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

Um den Durchschnittswert jeder Spalte zu berechnen, kann die Pandas-mean()-Funktion mit dem Standardparameter axis=0 genutzt werden:

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

Auf diese Weise werden die Mittelwerte jeder Spalte (A, B und C) berechnet, indem die Summe der Elemente durch die Anzahl der Elemente in jeder Spalte geteilt wird. Das Ergebnis ist folgende Pandas Series:

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

### Durchschnittswerte für jede Zeile berechnen

Wenn man stattdessen den Durchschnittswert für jede Zeile berechnen möchte, muss hierzu einfach der Parameter `axis` auf 1 gesetzt werden:

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

Die Mittelwerte jeder Zeile werden durch den Einsatz von Pandas mean() berechnet, indem die Summe der Elemente durch die Anzahl der Elemente in jeder Zeile geteilt wird. Der Funktionsaufruf liefert folgenden Output:

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

### NaN-Werte ignorieren

Im folgenden Beispiel wird ein anderer DataFrame betrachtet, der einige NaN-Werte enthält:

```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)
```

Der obige Code resultiert in folgendem 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
```

Um den Durchschnitt unter Berücksichtigung von NaN-Werten zu berechnen, wird der Parameter skipna verwendet. Der Standardwert ist True, was bedeutet, dass NaN-Werte von Pandas mean() automatisch ignoriert werden. Würde skipna=False gesetzt, würde der Mittelwert für jede Spalte, die mindestens einen NaN-Wert enthält, ebenfalls NaN sein.

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

Der Funktionsaufruf von Pandas mean() liefert:

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


This is a markdown version of: [https://www.ionos.at/digitalguide/websites/web-entwicklung/python-pandas-dataframe-mean/](https://www.ionos.at/digitalguide/websites/web-entwicklung/python-pandas-dataframe-mean/) for AI/LLM consumption.