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

La libreria Pandas dispone già di tre funzioni integrate per il calcolo della **media** e della **mediana**. Per importare `pandas` utilizzando l'alias `pd`, utilizzare la seguente sintassi:

```python
import pandas as pd
```

Ecco un esempio di calcolo di `.mean()` e `.median()` per la colonna `'work_year'` nel dataset denominato `df`.

È possibile modificare le colonne e osservare i risultati:

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)

Per calcolare i principali valori statistici, utilizzare metodi progettati per la gestione delle misurazioni, come:  
```python
.mean()
.median()
```

Costruisci una solida base in statistica utilizzando Python. Apprendi i concetti statistici essenziali e applicali tramite NumPy e pandas. Passa da misure di base come media e varianza a test d'ipotesi, intervalli di confidenza e analisi dei dati con esercitazioni pratiche.

Esplora i principi statistici fondamentali, inclusi i tipi di dati, le misure di tendenza centrale e le principali differenze tra campioni e popolazioni.

Apprendere il calcolo e l'interpretazione di media, mediana e moda utilizzando Python. Eseguire esercitazioni su queste operazioni con pandas per analizzare dataset reali.

Comprendere come la varianza e la deviazione standard misurano la dispersione dei dati. Calcolo manuale e tramite strumenti Python di entrambe le misure.

Esplora come covarianza e correlazione descrivono le relazioni tra variabili. Esercitati nel calcolo e nel confronto di entrambe le metriche in Python.

Approfondimento sugli intervalli di confidenza per stimare i parametri della popolazione. Utilizzo di NumPy, pandas e librerie di visualizzazione per calcolare e interpretare intervalli con dati reali.

Apprendere i fondamenti del test d'ipotesi e del t-test. Comprendere come progettare, eseguire e interpretare i test utilizzando Python per supportare decisioni basate sui dati.

Statistiche con Pandas