Summary  
This chapter explains how to use Pandas DataFrame and Series methods max(), min(), and mean() to calculate the highest, lowest, and average values of columns, and shows how to apply these methods to entire DataFrames or to individual columns.  

General domain of usage  
Data analysis

Explore how to use the `max()`, `min()`, and `mean()` methods in pandas to analyze your data. This video walks you through each method step by step, using clear examples with real DataFrames. You'll see how to quickly find the highest, lowest, and average values in your data, learn the difference between applying these methods to entire DataFrames versus specific columns, and understand how these tools help summarize and interpret your datasets efficiently. By the end, you'll be able to confidently use these essential pandas methods in your own projects.

`pandas` tarjoaa `max()`-metodin, joka oletuksena palauttaa **suurimman arvon** jokaisesta sarakkeesta.

```python
df = pd.read_csv('file.csv')
max_values = df.max()
```


Yksittäisen sarakkeen suurimman arvon tunnistamiseen voidaan käyttää seuraavaa tapaa:

```python
df = pd.read_csv('file.csv')
max_value = df['column_name'].max()
```

Vastaavasti `pandas` tarjoaa `min()`-metodin, joka oletuksena palauttaa **pienimmän arvon** jokaisesta sarakkeesta.

```python
df = pd.read_csv('file.csv')

min_values = df.min()
```

Pienimmän arvon selvittämiseksi tietystä sarakkeesta käytetään samaa menetelmää:

```python
df = pd.read_csv('file.csv')

min_value = df['column_name'].min()
```

Vastaavasti `pandas` tarjoaa `mean()`-menetelmän, joka palauttaa oletuksena **keskimääräisen arvon** jokaisesta sarakkeesta.

```python
df = pd.read_csv('file.csv')

average_values = df.mean()
```

Keskimääräisen arvon selvittämiseksi **tietystä sarakkeesta** käytetään samaa menetelmää:

```python
df = pd.read_csv('file.csv')

average_value = df['column_name'].mean()
```

import unittest
import importlib


def _dynamic_test(test_case, condition, success_message, failure_message):
    if condition:
        test_case._testMethodName = success_message
        test_case.assertTrue(True, success_message)
    else:
        test_case._testMethodName = failure_message
        test_case.fail(failure_message)


class TestUserCode(unittest.TestCase):

    def test_highest_price_is_declared(self):
        import user_code
        _dynamic_test(
            self,
            hasattr(user_code, 'highest_price'),
            "The `highest_price` variable is declared.",
            "Expected `highest_price` to be declared."
        )

    def test_highest_price_is_correct(self):
        import user_code
        expected_value = max([12500, 16500, 16800, 17300, 16500])

        try:
            actual_value = user_code.highest_price
            condition = actual_value == expected_value
            failure_message = f"Expected `highest_price` to be `{expected_value}`, but got `{actual_value}`."
        except AttributeError:
            condition = False
            failure_message = "The `highest_price` variable is not declared."

        _dynamic_test(
            self,
            condition,
            f"The `highest_price` is `{expected_value}`.",
            failure_message
        )

    def test_lowest_price_is_declared(self):
        import user_code
        _dynamic_test(
            self,
            hasattr(user_code, 'lowest_price'),
            "The `lowest_price` variable is declared.",
            "Expected `lowest_price` to be declared."
        )

    def test_lowest_price_is_correct(self):
        import user_code
        expected_value = min([12500, 16500, 16800, 17300, 16500])

        try:
            actual_value = user_code.lowest_price
            condition = actual_value == expected_value
            failure_message = f"Expected `lowest_price` to be `{expected_value}`, but got `{actual_value}`."
        except AttributeError:
            condition = False
            failure_message = "The `lowest_price` variable is not declared."

        _dynamic_test(
            self,
            condition,
            f"`lowest_price` has correct value.",
            failure_message
        )

    def test_average_price_is_declared(self):
        import user_code
        _dynamic_test(
            self,
            hasattr(user_code, 'average_price'),
            "The `average_price` variable is declared.",
            "Expected `average_price` to be declared."
        )

    def test_average_price_is_correct(self):
        import user_code
        expected_value = sum([12500, 16500, 16800, 17300, 16500]) / 5

        try:
            actual_value = user_code.average_price
            condition = actual_value == expected_value
            failure_message = f"Expected `average_price` to be `{expected_value}`, but got `{actual_value}`."
        except AttributeError:
            condition = False
            failure_message = "The `average_price` variable is not declared."

        _dynamic_test(
            self,
            condition,
            "`average_price` has correct value.",
            failure_message
        )


if __name__ == '__main__':
    unittest.main()

test_main.py

Pandas on erittäin käyttäjäystävällinen kirjasto data-analyysiin. Se on myös suunniteltu käsittelemään suuria tietoaineistoja hyödyntäen tietorakenteita kuten DataFrame ja Series. Tämä tekee siitä korvaamattoman työkalun Data Science -alalla. Tässä oppaassa tutustut erilaisiin tilastollisiin funktioihin, kuten korrelaatioiden, moodien, mediaanien sekä suurimpien ja pienimpien arvojen etsimiseen aineistosta. Opit myös käsittelemään puuttuvia arvoja ja muokkaamaan sekä poistamaan yksittäisiä arvoja.

Pandas-kirjaston perusteiden tarkastelu. Series- ja DataFrame-olioiden luominen ja muokkaaminen, rakenteen tutkiminen sekä olennaisten tietokäsittelytoimintojen hallinnan vahvistaminen.

Opi lataamaan ja hallitsemaan dataa CSV- ja TXT-tiedostoista. Saat käytännön kokemusta aineistojen tuonnista ja niiden valmistelusta jatkoanalyysia varten pandas-työkaluilla.

Opi tutkimaan, puhdistamaan ja tiivistämään dataa tehokkaasti. Ymmärrä, miten käsitellä puuttuvia arvoja, löytää oivalluksia ja suorittaa perus tilastollisia operaatioita pandas-kirjastolla.

Max(), Min() ja Mean()

Ratkaisu