Pandas анализ данных DataFrame

data[(data['native-country'] == 'Germany')].mean()

print(df.loc[df['A'] == 'foo' and df['B'] == 'one'])

def variant1():
    more_50k = data[data['salary'] == '>50K']
    less_50k = data[data['salary'] == '<=50K']
    more_50k_mean = more_50k['age'].mean()
    more_50k_std = more_50k['age'].std()
    less_50k_mean = less_50k['age'].mean()
    less_50k_std = less_50k['age'].std()
 
    calc_data = pd.DataFrame(
        {
            "mean":[more_50k_mean,less_50k_mean], 
            "std":[more_50k_std,less_50k_std]
        },
        index=['>50K','<=50K']
    )
 
    print(calc_data)
 
# другой способ
def variant2():
    subset = pd.DataFrame(
        {
            '>50K': data[data['salary'] == '>50K']['age'],
            '<=50K':data[data['salary'] == '<=50K']['age']
        }
    )
 
    calc_data = subset.agg(
        {
        '>50K' :  ['mean', 'std'],
        '<=50K' : ['mean', 'std']
        }
    ).T  # транспонируем; или можно оставить как есть - тогда столбцами будут названия категорий
    print(calc_data)
 
# еще  проще
def variant3():
    dm = data.groupby('salary')[['age']].mean()
    ds = data.groupby('salary')[['age']].std()
 
    d = pd.concat([dm,ds],axis=1)
    d.columns = ['mean','std']
    print(d)
 
 
variant1()
variant2()
variant3()