Summary
This chapter demonstrates how to compute key statistical measures (mean and median) for DataFrame columns using pandas’ built-in .mean() and .median() methods and printing the results.

General domain of usage
data analysis

Die Pandas-Bibliothek verfügt bereits über drei integrierte Funktionen zur Berechnung des **Mittelwerts** und **Medians**. Um `pandas` mit dem Alias `pd` zu importieren, verwenden Sie folgende Syntax:

```python
import pandas as pd
```

Hier ein Beispiel zur Berechnung von `.mean()` und `.median()` für die Spalte `'work_year'` im Datensatz `df`.

Sie können die Spalten beliebig ändern und die Ergebnisse beobachten:

import pandas as pd

df = pd.read_csv('https://codefinity-content-media.s3.eu-west-1.amazonaws.com/a849660e-ddfa-4033-80a6-94a1b7772e23/update/ds_salaries_statistics', index_col = 0)

# Calculating the mean value
mean = df['work_year'].mean()
# Calculating the median value
median = df['work_year'].median()

print('The mean value is', mean)
print('The median value is', median)

Zur Berechnung wichtiger statistischer Werte Methoden verwenden, die für Messwerte ausgelegt sind, wie zum Beispiel:  
```python
.mean()
.median()
```

Erwerb einer soliden Grundlage in Statistik mit Python. Vermittlung grundlegender statistischer Konzepte und deren Anwendung mit NumPy und pandas. Von grundlegenden Kennzahlen wie Mittelwert und Varianz bis hin zu Hypothesentests, Konfidenzintervallen und datengestützten Erkenntnissen mit praxisnahen Übungen.

Erkunden Sie grundlegende statistische Prinzipien, einschließlich Datentypen, Maße der zentralen Tendenz und wesentliche Unterschiede zwischen Stichproben und Grundgesamtheiten.

Erlernen der Berechnung und Interpretation von Mittelwert, Median und Modus mit Python. Anwendung dieser Operationen mit pandas zur Analyse realer Datensätze.

Verstehen, wie Varianz und Standardabweichung die Streuung von Daten messen. Berechnung beider Werte manuell und mit Python-Werkzeugen.

Untersuchung, wie Kovarianz und Korrelation Beziehungen zwischen Variablen beschreiben. Berechnung und Vergleich beider Kennzahlen in Python anwenden.

Sicheres Beherrschen von Konfidenzintervallen zur Schätzung von Populationsparametern. Verwendung von NumPy, pandas und Visualisierungsbibliotheken zur Berechnung und Interpretation von Intervallen mit realen Daten.

Erlernen der Grundlagen von Hypothesentests und des t-Tests. Verständnis für die Planung, Durchführung und Interpretation von Tests mit Python zur Unterstützung datenbasierter Entscheidungen.

Statistik mit Pandas