昨天我們處理了數字欄位，把「帶逗號的字串數字」轉換成可以運算的數值型態。今天，我們要來計算股票數據的基本統計值，這些統計結果能幫助我們快速掌握整體走勢。

為什麼要計算統計值？

在股市分析中，單純看一堆每天的股價數字，往往很難快速得出結論。所以我們通常會先整理出一些關鍵指標，例如：

• 平均收盤價：代表近期整體股價的水準。
• 最高價：這段期間內的最高收盤價。
• 最低價：這段期間內的最低收盤價。
• 成交量總和：用來判斷市場在這段時間的交易熱絡程度。

這些統計值相當於「總覽」，能讓我們快速知道該股票在一段時間內的整體表現。

程式範例

我們假設已經有一份股價資料 DataFrame，接著使用 Pandas 的函式計算統計數據：

import pandas as pd

# 假設 df 已經包含股票資料
# df 裡有 'Close' (收盤價) 和 'Volume' (成交量) 欄位

df_stats = pd.DataFrame({
    'Average Price': [df['Close'].mean()],   # 平均收盤價
    'Highest Price': [df['Close'].max()],    # 最高收盤價
    'Lowest Price': [df['Close'].min()],     # 最低收盤價
    'Total Volume': [df['Volume'].sum()]     # 成交量總和
})

print("\n--- 基本統計 ---")
print(df_stats)

這段程式碼做了幾件事：

• df['Close'].mean() → 計算收盤價平均數。
• df['Close'].max() → 找出最高收盤價。
• df['Close'].min() → 找出最低收盤價。
• df['Volume'].sum() → 將成交量全部加總。

最後用一個新的 DataFrame (df_stats) 來集中展示這些統計數據。

輸出範例

假設我們有一段時間的資料，結果可能會長這樣：

--- 基本統計 ---
   Average Price  Highest Price  Lowest Price  Total Volume
0        1275.6           1300          1250     235000000

這樣就能清楚看到整體的統計結果，比單看一堆零散的數字還要有意義。

總結

• 統計值能幫助快速理解股票的整體走勢。
• 使用 Pandas 的 mean()、max()、min()、sum()，就能計算常見的指標。
• 遇到「字串數字」要先轉換成數值型態，否則無法正確運算。

有了這些統計基礎，我們就能進一步做可視化圖表或趨勢分析，讓資料更直觀。
那今天就先這樣。