Как вычислить среднее значение в Python Pandas: подробное руководство

Пройдите тест, узнайте какой профессии подходите

Я предпочитаю

Работать самостоятельно и не зависеть от других

Работать в команде и рассчитывать на помощь коллег

Организовывать и контролировать процесс работы

Для кого эта статья:

начинающие аналитики данных, желающие улучшить свои навыки в Pandas
профессиональные аналитики, ищущие углубленное понимание методов анализа данных
студенты и обучающиеся на курсах по программированию и анализу данных
Вычисление средних значений — краеугольный камень анализа данных, без которого не обходится ни один серьезный проект в Python. Библиотека Pandas превращает этот процесс из математического кошмара в элегантное решение одной строкой кода. Однако за кажущейся простотой скрывается множество нюансов, которые отличают начинающего аналитика от профессионала. В этом руководстве я раскрою все тонкости использования метода mean() в Pandas — от базовых операций до продвинутых техник, применяемых в реальных аналитических задачах. 📊

Хотите перейти от теории к практике и уверенно использовать Python для решения реальных задач? Курс «Python-разработчик» с нуля от Skypro — ваш путь к профессиональному владению Pandas и другими инструментами для анализа данных. Опытные преподаватели покажут, как реализовать сложные алгоритмы расчетов, включая вычисление средних значений в различных контекстах. Стартуйте карьеру в аналитике данных с правильным фундаментом!

Основы вычисления среднего в Pandas: метод mean()

Метод mean() в Pandas — это мощный инструмент для вычисления среднего арифметического значения в DataFrame или Series. Его синтаксис прост, а возможности гибки, что делает его незаменимым в арсенале каждого аналитика данных.

Базовый синтаксис метода выглядит следующим образом:

Python

Скопировать код

# Для Series
series.mean(axis=0, skipna=True, level=None, numeric_only=None)

# Для DataFrame
dataframe.mean(axis=0, skipna=True, level=None, numeric_only=None)

Рассмотрим ключевые параметры:

axis — определяет направление вычисления: 0 (по умолчанию) для среднего по столбцам, 1 для среднего по строкам
skipna — указывает, следует ли исключать пропущенные значения (NaN) из расчета
level — используется при работе с многоуровневыми индексами
numeric_only — если True, включает только числовые столбцы

Давайте рассмотрим простой пример вычисления среднего значения для DataFrame с данными о продажах:

Python

Скопировать код

import pandas as pd
import numpy as np

# Создаем DataFrame с данными о продажах
sales_data = pd.DataFrame({
'Product': ['A', 'B', 'C', 'D', 'E'],
'Price': [100, 200, 150, 300, 250],
'Quantity': [5, 3, 8, 2, 4],
'Revenue': [500, 600, 1200, 600, 1000]
})

# Вычисляем среднее по числовым столбцам
print("Среднее по столбцам:")
print(sales_data.mean())

# Вычисляем среднее для конкретного столбца
print("\nСреднее значение цены:")
print(sales_data['Price'].mean())

# Вычисляем среднее по строкам
print("\nСреднее по строкам:")
print(sales_data.mean(axis=1))

В результате выполнения этого кода мы получим:

Среднее по столбцам:
Price 200.0
Quantity 4.4
Revenue 780.0
dtype: float64

Среднее значение цены:
200.0

Среднее по строкам:
0 201.666667
1 267.666667
2 452.666667
3 300.666667
4 418.000000
dtype: float64

В практических задачах особенно полезны следующие применения mean():

Сценарий	Код	Применение
Среднее по всем числовым столбцам	df.mean()	Общий обзор данных
Среднее по конкретному столбцу	df['column'].mean()	Анализ отдельной переменной
Среднее по строкам	df.mean(axis=1)	Агрегация данных по записям
Среднее с условием	df[df['A'] > 0].mean()	Фильтрованный анализ

При работе с большими датасетами важно помнить, что метод mean() автоматически оптимизирует вычисления, используя векторизованные операции, что существенно повышает производительность по сравнению с итеративными подходами. 🚀

Кинга Идем в IT: пошаговый план для смены профессии

Обработка пропущенных значений при расчете mean в Pandas

Реальные данные редко бывают идеальными. Пропущенные значения (NaN) — частая проблема, способная исказить результаты анализа. Pandas предлагает изящные решения для корректного вычисления mean() при наличии пустых ячеек.

Александр Петров, старший аналитик данных

В начале моей карьеры я работал над проектом анализа потребительских расходов, где столкнулся с серьезной проблемой. Клиент жаловался на неправдоподобные средние значения в отчетах. Причина оказалась прозаичной: датасет содержал значительное количество пропусков, которые некорректно интерпретировались при вычислении средних. Исправив подход к обработке NaN-значений с помощью правильных параметров метода mean(), мы увидели совершенно иную картину. Расходы по категориям выровнялись, а сезонные колебания стали более выраженными, что позволило выявить скрытые тренды. Этот случай навсегда заставил меня с особым вниманием относиться к пропущенным данным в аналитических проектах.

По умолчанию параметр skipna=True в методе mean() исключает пропущенные значения из расчетов. Это интуитивно понятное поведение, но не всегда оптимальное для конкретной задачи. Рассмотрим различные подходы к работе с NaN при вычислении средних значений:

Python

Скопировать код

import pandas as pd
import numpy as np

# Создаем DataFrame с пропущенными значениями
df = pd.DataFrame({
'A': [1, 2, np.nan, 4, 5],
'B': [5, np.nan, np.nan, 2, 1],
'C': [1, 2, 3, 4, 5]
})

# Стандартное поведение (игнорирование NaN)
print("Среднее с игнорированием NaN:")
print(df.mean())

# Включение NaN в результаты (превращает любое среднее в NaN при наличии хотя бы одного NaN)
print("\nСреднее с включением NaN:")
print(df.mean(skipna=False))

# Предварительное заполнение NaN значений
print("\nСреднее после заполнения NaN средними по столбцам:")
print(df.fillna(df.mean()).mean())

# Заполнение NaN медианными значениями перед вычислением среднего
print("\nСреднее после заполнения NaN медианами:")
print(df.fillna(df.median()).mean())

# Заполнение NaN интерполяцией перед вычислением среднего
print("\nСреднее после линейной интерполяции NaN:")
print(df.interpolate(method='linear').mean())

Выбор метода обработки пропущенных значений критически влияет на результаты анализа. В зависимости от контекста задачи можно:

Просто игнорировать NaN (наиболее распространенный подход)
Заменять NaN средними или медианными значениями
Использовать более сложные методы импутации, такие как KNN или MICE
Применять временные ряды интерполяции для последовательных данных
Полностью исключать строки или столбцы с высокой долей пропусков

Важно понимать долю пропущенных значений в ваших данных. Для этого можно использовать следующий код:

Python

Скопировать код

# Анализ пропущенных значений
missing_percentage = df.isna().mean() * 100
print("\nПроцент пропущенных значений по столбцам:")
print(missing_percentage)

Метод обработки NaN	Преимущества	Недостатки	Рекомендуемый контекст
skipna=True (по умолчанию)	Простота, сохранение распределения	Возможная систематическая ошибка	Данные с небольшим % пропусков
Заполнение средним	Сохранение общего среднего	Искажение вариации	Равномерно распределенные пропуски
Заполнение медианой	Устойчивость к выбросам	Искажение распределения	Данные с выбросами
Линейная интерполяция	Сохранение трендов	Требует последовательных данных	Временные ряды

Правильная обработка пропущенных значений перед вычислением mean() может значительно повысить достоверность аналитических выводов и качество моделей машинного обучения, построенных на этих данных. ⚠️

Вычисление среднего по группам с groupby и mean в Pandas

Комбинация методов groupby() и mean() — это мощный инструмент разведочного анализа данных, позволяющий выявлять закономерности и тренды в структурированных датасетах. Этот подход позволяет агрегировать данные по категориям и получать средние значения для каждой группы, что критически важно для сегментации и сравнительного анализа.

Python

Скопировать код

import pandas as pd
import numpy as np

# Создаем DataFrame с данными о продажах по регионам и категориям
sales_data = pd.DataFrame({
'Region': ['East', 'West', 'North', 'South', 'East', 'West', 'North', 'South', 'East', 'West'],
'Category': ['Electronics', 'Electronics', 'Electronics', 'Electronics', 'Furniture', 'Furniture', 
'Furniture', 'Furniture', 'Office', 'Office'],
'Sales': [10000, 15000, 12000, 9000, 5000, 12000, 7500, 8000, 9000, 7500],
'Profit': [2000, 3000, 1800, 1500, 1000, 2500, 1200, 1300, 1800, 1500],
'Units': [100, 150, 120, 90, 50, 120, 75, 80, 90, 75]
})

# Простая группировка по одному столбцу
region_avg = sales_data.groupby('Region').mean()
print("Средние значения по регионам:")
print(region_avg)

# Группировка по нескольким столбцам
category_region_avg = sales_data.groupby(['Category', 'Region']).mean()
print("\nСредние значения по категориям и регионам:")
print(category_region_avg)

# Группировка с выбором конкретных столбцов для агрегации
profit_by_region = sales_data.groupby('Region')['Profit'].mean()
print("\nСреднее значение прибыли по регионам:")
print(profit_by_region)

# Несколько агрегирующих функций одновременно
multiple_aggs = sales_data.groupby('Region').agg({
'Sales': ['mean', 'sum', 'count'],
'Profit': ['mean', 'min', 'max']
})
print("\nНесколько агрегаций по регионам:")
print(multiple_aggs)

Метод groupby() обеспечивает значительную гибкость при анализе данных:

Поддерживает группировку по одному или нескольким столбцам
Позволяет выбирать конкретные столбцы для агрегации
Комбинируется с различными агрегирующими функциями, не только mean()
Работает с иерархическими индексами (MultiIndex)
Поддерживает пользовательские агрегирующие функции

Елена Соколова, руководитель отдела аналитики

В прошлом году мы работали над оптимизацией маркетингового бюджета для крупного онлайн-ритейлера. Изначально клиент просто "размазывал" бюджет равномерно по всем категориям и регионам. Применив group by + mean к историческим данным о продажах, мы обнаружили, что ROAS (возврат инвестиций на рекламу) кардинально различается между сегментами. Например, категория "Электроника" в Западном регионе приносила в 2.7 раза больше прибыли на рекламный рубль, чем та же категория на Востоке. Перераспределив бюджет с учетом этих инсайтов, мы повысили общую эффективность маркетинга на 23% без увеличения затрат. Это стало возможным только благодаря правильной сегментации и анализу средних значений в каждой группе.

Продвинутые техники использования groupby с mean() включают:

Python

Скопировать код

# Сортировка результатов по среднему значению
sorted_profits = sales_data.groupby('Region')['Profit'].mean().sort_values(ascending=False)
print("Регионы, отсортированные по средней прибыли (по убыванию):")
print(sorted_profits)

# Фильтрация групп на основе агрегированных результатов
high_sales_regions = sales_data.groupby('Region').filter(lambda x: x['Sales'].mean() > 10000)
print("\nДанные только для регионов с высокими средними продажами:")
print(high_sales_regions)

# Преобразование данных внутри каждой группы
normalized = sales_data.groupby('Region').transform(lambda x: (x – x.mean()) / x.std())
print("\nНормализованные данные внутри каждой группы (первые 5 строк):")
print(normalized.head())

# Вычисление кумулятивного среднего
sales_data['Cumulative_Avg'] = sales_data.groupby('Region')['Sales'].expanding().mean().reset_index(level=0, drop=True)
print("\nКумулятивное среднее продаж по регионам (первые 5 строк):")
print(sales_data[['Region', 'Sales', 'Cumulative_Avg']].head())

Метод groupby().mean() особенно ценен в следующих сценариях:

Сегментный анализ поведения пользователей или клиентов
Оценка эффективности бизнес-стратегий по различным категориям
Географический анализ показателей эффективности
Временной анализ с группировкой по периодам (дням, месяцам, кварталам)
Подготовка данных для визуализаций или дашбордов

Важно помнить, что эффективность группировки зависит от кардинальности группирующих столбцов — слишком большое количество уникальных значений может привести к избыточной детализации и затруднить интерпретацию результатов. 📊

Визуализация средних значений в DataFrame Pandas

Визуализация средних значений превращает сухие цифры в наглядные тренды и паттерны. Pandas прекрасно интегрируется с различными библиотеками для создания графиков, что позволяет быстро переходить от вычислений к визуальным представлениям.

Существует несколько подходов к визуализации средних значений:

Python

Скопировать код

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns

# Создаем датасет для примера
np.random.seed(42)
dates = pd.date_range('20220101', periods=100)
df = pd.DataFrame({
'date': dates,
'category': np.random.choice(['A', 'B', 'C', 'D'], size=100),
'region': np.random.choice(['North', 'South', 'East', 'West'], size=100),
'sales': np.random.normal(1000, 200, size=100),
'profit': np.random.normal(200, 50, size=100)
})
df['date'] = pd.to_datetime(df['date'])
df['month'] = df['date'].dt.month
df['year'] = df['date'].dt.year

# Базовая визуализация с помощью встроенных методов Pandas
monthly_avg = df.groupby('month')['sales'].mean()
monthly_avg.plot(kind='bar', figsize=(10, 6), title='Средние продажи по месяцам')
plt.tight_layout()
plt.show()

# Визуализация средних значений с группировкой по категориям с помощью Seaborn
plt.figure(figsize=(12, 6))
sns.barplot(x='category', y='profit', data=df, estimator=np.mean)
plt.title('Средняя прибыль по категориям')
plt.show()

# Тепловая карта средних значений
pivot_table = df.pivot_table(
values='sales', 
index='region', 
columns='category',
aggfunc='mean'
)

plt.figure(figsize=(10, 8))
sns.heatmap(pivot_table, annot=True, cmap='Blues', fmt='.0f')
plt.title('Средние продажи по регионам и категориям')
plt.show()

# Line plot для временных рядов
time_series_avg = df.groupby(['year', 'month'])['sales'].mean().reset_index()
plt.figure(figsize=(12, 6))
sns.lineplot(x='month', y='sales', hue='year', data=time_series_avg, marker='o')
plt.title('Тренд средних продаж по месяцам')
plt.show()

# Boxplot для сравнения распределений вместе со средними значениями
plt.figure(figsize=(12, 6))
sns.boxplot(x='region', y='profit', data=df)
# Наложение средних значений поверх boxplot
sns.pointplot(x='region', y='profit', data=df, estimator=np.mean, color='k', scale=0.5)
plt.title('Распределение прибыли по регионам со средними значениями')
plt.show()

Выбор типа визуализации зависит от характера анализируемых данных и цели представления:

Тип визуализации	Метод создания	Лучшее применение	Преимущества
Bar Chart	df.plot(kind='bar')	Категориальные сравнения	Простота интерпретации
Line Chart	df.plot() или sns.lineplot()	Временные ряды, тренды	Отображение динамики
Heatmap	sns.heatmap(pivot_table)	Мультивариационный анализ	Компактное представление
Boxplot + Mean	sns.boxplot() + sns.pointplot()	Распределения с выбросами	Контекст распределения
Scatter с группировкой	sns.scatterplot()	Корреляции между группами	Выявление кластеров

Для улучшения визуализации средних значений рекомендуется:

Добавлять полосы погрешности (error bars) для оценки вариативности данных
Использовать цветовое кодирование для выделения групп или категорий
Сортировать данные по средним значениям для улучшения восприятия
Применять логарифмические шкалы для данных с большим разбросом значений
Добавлять контекст с помощью аннотаций и текстовых меток

Python

Скопировать код

# Улучшенная визуализация с сортировкой, подписями и полосами погрешности
category_stats = df.groupby('category')['profit'].agg(['mean', 'std']).reset_index()
category_stats = category_stats.sort_values('mean', ascending=False)

plt.figure(figsize=(12, 7))
bars = plt.bar(category_stats['category'], category_stats['mean'], 
yerr=category_stats['std'], ecolor='black', capsize=10, alpha=0.7)

# Добавляем числовые метки над столбцами
for bar in bars:
height = bar.get_height()
plt.text(bar.get_x() + bar.get_width()/2., height + 5, f'{height:.1f}',
ha='center', va='bottom', fontweight='bold')

plt.title('Средняя прибыль по категориям с доверительными интервалами', fontsize=14)
plt.xlabel('Категория', fontsize=12)
plt.ylabel('Средняя прибыль', fontsize=12)
plt.grid(axis='y', linestyle='--', alpha=0.7)
plt.tight_layout()
plt.show()

Интерактивные визуализации с использованием Plotly позволяют получить еще больше инсайтов из средних значений:

Python

Скопировать код

import plotly.express as px

# Интерактивная визуализация средних значений
fig = px.bar(
category_stats, 
x='category', 
y='mean',
error_y='std',
title='Интерактивная визуализация средней прибыли по категориям',
labels={'mean': 'Средняя прибыль', 'category': 'Категория'}
)
fig.update_layout(xaxis_categoryorder='total descending')
fig.show()

Визуализация средних значений — не просто украшение отчетов, а мощный инструмент анализа, позволяющий быстро выявлять закономерности и аномалии в данных. Корректное сочетание вычислительных методов Pandas с современными библиотеками визуализации существенно расширяет возможности аналитика. 🔍

Не уверены в своем профессиональном пути? Возможно, анализ данных — ваше призвание. Тест на профориентацию от Skypro поможет определить, насколько вам подойдет карьера аналитика данных. Выявите свои сильные стороны и узнайте, подходит ли вам работа с инструментами вроде Pandas и средними значениями. Правильный выбор профессии — залог успешной и вдохновляющей карьеры в сфере данных!

Практические кейсы применения mean в Pandas для аналитики

В реальной аналитической практике метод mean() редко используется изолированно. Чаще всего он встроен в комплексные рабочие процессы, где средние значения служат ключевыми индикаторами или промежуточными шагами анализа. Рассмотрим несколько практических кейсов, демонстрирующих силу этого, казалось бы, простого метода.

Кейс 1: Анализ выбросов с помощью Z-score

Python

Скопировать код

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt

# Создаем датасет с выбросами
np.random.seed(42)
df = pd.DataFrame({
'customer_id': range(1, 1001),
'purchase_amount': np.random.normal(100, 20, size=1000)
})

# Добавляем несколько выбросов
df.loc[df.sample(n=5).index, 'purchase_amount'] = np.random.normal(300, 50, size=5)

# Вычисляем Z-score с использованием mean()
mean_purchase = df['purchase_amount'].mean()
std_purchase = df['purchase_amount'].std()
df['z_score'] = (df['purchase_amount'] – mean_purchase) / std_purchase

# Выявляем выбросы (|Z| > 3)
outliers = df[abs(df['z_score']) > 3]

print(f"Обнаружено {len(outliers)} выбросов из {len(df)} записей")
print("\nПримеры выбросов:")
print(outliers.head())

# Визуализация выбросов
plt.figure(figsize=(12, 6))
plt.scatter(df.index, df['purchase_amount'], alpha=0.5)
plt.scatter(outliers.index, outliers['purchase_amount'], color='red', label='Outliers')
plt.axhline(y=mean_purchase, color='green', linestyle='--', label=f'Mean: {mean_purchase:.2f}')
plt.axhline(y=mean_purchase + 3*std_purchase, color='red', linestyle='--', 
label=f'Upper threshold: {mean_purchase + 3*std_purchase:.2f}')
plt.axhline(y=mean_purchase – 3*std_purchase, color='red', linestyle='--',
label=f'Lower threshold: {mean_purchase – 3*std_purchase:.2f}')
plt.legend()
plt.title('Выявление выбросов методом Z-score')
plt.tight_layout()
plt.show()

Кейс 2: Анализ эффективности маркетинговых каналов с ROI

Python

Скопировать код

# Создаем данные о маркетинговых каналах
channels_data = pd.DataFrame({
'channel': ['Search', 'Social', 'Email', 'Direct', 'Affiliate'] * 20,
'cost': np.random.normal(1000, 200, 100),
'revenue': np.random.normal(3000, 1000, 100),
'date': pd.date_range(start='2022-01-01', periods=100)
})

# Вычисляем ROI
channels_data['roi'] = (channels_data['revenue'] – channels_data['cost']) / channels_data['cost'] * 100

# Анализируем среднюю эффективность каналов
channel_performance = channels_data.groupby('channel').agg({
'cost': 'sum',
'revenue': 'sum',
'roi': 'mean'
}).sort_values('roi', ascending=False)

print("Эффективность маркетинговых каналов:")
print(channel_performance)

# Анализируем динамику по месяцам
channels_data['month'] = channels_data['date'].dt.month
monthly_performance = channels_data.groupby(['channel', 'month']).agg({
'roi': 'mean'
}).reset_index()

# Визуализируем динамику ROI по каналам
plt.figure(figsize=(14, 7))
for channel in channels_data['channel'].unique():
channel_data = monthly_performance[monthly_performance['channel'] == channel]
plt.plot(channel_data['month'], channel_data['roi'], marker='o', label=channel)

plt.title('Динамика среднего ROI по маркетинговым каналам')
plt.xlabel('Месяц')
plt.ylabel('Средний ROI, %')
plt.grid(True, alpha=0.3)
plt.legend()
plt.show()

Кейс 3: Когортный анализ с использованием скользящих средних

Python

Скопировать код

# Создаем данные для когортного анализа
cohort_data = pd.DataFrame({
'user_id': np.repeat(range(1, 101), 6),
'cohort': np.repeat(['2022-01', '2022-02', '2022-03', '2022-04'], [150, 150, 150, 150]),
'month': np.tile(range(1, 7), 100),
'revenue': np.random.exponential(scale=50, size=600) * \
np.exp(-np.tile(range(0, 6), 100) * 0.1) # Моделируем затухание
})

# Вычисляем средний доход по когортам и месяцам
cohort_analysis = cohort_data.groupby(['cohort', 'month'])['revenue'].mean().unstack().round(2)
print("Средний доход по когортам и месяцам жизни:")
print(cohort_analysis)

# Вычисляем retention rate (относительно первого месяца)
retention = cohort_analysis.div(cohort_analysis[1], axis=0) * 100
retention = retention.round(1)
print("\nRetention rate по месяцам (%):")
print(retention)

# Визуализируем retention rate
plt.figure(figsize=(12, 8))
sns.heatmap(retention, annot=True, cmap='YlGnBu', 
fmt='.1f', linewidths=.5, cbar_kws={'label': 'Retention Rate, %'})
plt.title('Retention Rate по когортам')
plt.ylabel('Когорта')
plt.xlabel('Месяц жизни')
plt.tight_layout()
plt.show()

# Вычисляем скользящее среднее для сглаживания трендов
rolling_means = cohort_data.groupby(['cohort', 'month'])['revenue'].mean().groupby('cohort').rolling(window=3).mean()
rolling_means = rolling_means.reset_index().pivot(index='cohort', columns='month', values='revenue')
print("\nСкользящее среднее (окно=3) по когортам:")
print(rolling_means)

Кейс 4: Анализ A/B-теста с доверительными интервалами

Python

Скопировать код

from scipy import stats

# Создаем данные для A/B-теста
np.random.seed(42)
ab_data = pd.DataFrame({
'user_id': range(1, 1001),
'variant': np.random.choice(['A', 'B'], size=1000),
'conversion': np.random.choice([0, 1], size=1000, p=[0\.9, 0.1]), # Базовая конверсия 10%
})

# Повышаем вероятность конверсии для варианта B
ab_data.loc[ab_data['variant'] == 'B', 'conversion'] = \
np.random.choice([0, 1], size=len(ab_data[ab_data['variant'] == 'B']), p=[0\.85, 0.15])

# Вычисляем конверсию по группам
conversion_rates = ab_data.groupby('variant')['conversion'].mean() * 100
print("Конверсия по вариантам (%):")
print(conversion_rates)

# Вычисляем размеры выборок
sample_sizes = ab_data.groupby('variant').size()

# Вычисляем доверительные интервалы (95%)
confidence = 0.95
z_score = stats.norm.ppf((1 + confidence) / 2)

ci_a = z_score * np.sqrt((conversion_rates['A'] * (100 – conversion_rates['A'])) / sample_sizes['A'])
ci_b = z_score * np.sqrt((conversion_rates['B'] * (100 – conversion_rates['B'])) / sample_sizes['B'])

print(f"\nВариант A: {conversion_rates['A']:.2f}% ± {ci_a:.2f}%")
print(f"Вариант B: {conversion_rates['B']:.2f}% ± {ci_b:.2f}%")

# Визуализация результатов A/B-теста
plt.figure(figsize=(10, 6))
bars = plt.bar(['A', 'B'], conversion_rates, 
yerr=[ci_a, ci_b], capsize=10, alpha=0.7, color=['skyblue', 'lightgreen'])

# Добавляем числовые метки
for bar in bars:
height = bar.get_height()
plt.text(bar.get_x() + bar.get_width()/2., height + 0.5, f'{height:.2f}%',
ha='center', va='bottom', fontweight='bold')

plt.title('Результаты A/B-теста с 95% доверительными интервалами', fontsize=14)
plt.ylabel('Конверсия, %', fontsize=12)
plt.ylim(0, max(conversion_rates) * 1.3)
plt.grid(axis='y', linestyle='--', alpha=0.5)
plt.tight_layout()
plt.show()

Каждый из этих кейсов демонстрирует, как метод mean() становится частью более сложного аналитического процесса, где средние значения:

Служат контрольными точками для выявления аномалий
Работают как KPI для оценки эффективности
Формируют основу для сегментации и сравнения групп
Становятся индикаторами качества и тенденций
Предоставляют материал для обоснования бизнес-решений

Ключевое преимущество Pandas в том, что метод mean() оптимизирован для работы с большими объемами данных и легко интегрируется в различные аналитические рабочие процессы — от разведочного анализа до углубленных статистических исследований. 💡

Подводя итоги, метод mean() в Pandas является квинтэссенцией аналитического инструментария — внешне простой, но невероятно мощный при правильном применении. Вычисление средних значений выходит далеко за рамки базовой статистики, становясь фундаментом для выявления паттернов, аномалий и возможностей в данных. Овладев тонкостями его использования — от обработки пропущенных значений до групповых агрегаций и визуализаций — аналитик получает возможность трансформировать сырые данные в ценные бизнес-инсайты, принимать обоснованные решения и эффективно коммуницировать результаты заинтересованным сторонам. Средние значения — это не просто цифры, а ключи к пониманию сложных явлений в более простой и интуитивно понятной форме.