teradataml.dataframe.sql.DataFrameColumn.regr_avgy = regr_avgy(expression)

DESCRIPTION:
    Function returns the mean of the dependent variable for all non-null data
    pairs of the dependent and independent variable arguments. The function
    considers ColumnExpression as an independent variable and "expression" as
    a dependent variable.
    Note:
        When there are fewer than two non-null data point pairs in the data used
        for the computation, the function returns None.
 
PARAMETERS:
    expression:
        Required Argument.
        Specifies a ColumnExpression of a column or name of the column or a
        literal representing an independent variable for the regression.
        An independent variable is something that is varied under your control
        to test the behavior of another variable.
        Types: ColumnExpression OR int OR float OR str
 
RETURNS:
    ColumnExpression, also known as, teradataml DataFrameColumn
 
NOTES:
     * One must use DataFrame.assign() when using the aggregate functions on
       ColumnExpression, also known as, teradataml DataFrameColumn.
     * One should always use "drop_columns=True" in DataFrame.assign(), while
       running the aggregate operation on teradataml DataFrame.
     * "drop_columns" argument in DataFrame.assign() is ignored, when aggregate
       function is operated on DataFrame.groupby().
 
RAISES:
    RuntimeError - If column does not support the aggregate operation.
 
EXAMPLES:
    # Load the data to run the example.
    >>> load_example_data("dataframe", "admissions_train")
    >>>
    # Create a DataFrame on 'admissions_train' table.
    >>> admissions_train = DataFrame("admissions_train")
    >>> admissions_train
       masters   gpa     stats programming  admitted
    id
    22     yes  3.46    Novice    Beginner         0
    36      no  3.00  Advanced      Novice         0
    15     yes  4.00  Advanced    Advanced         1
    38     yes  2.65  Advanced    Beginner         1
    5       no  3.44    Novice      Novice         0
    17      no  3.83  Advanced    Advanced         1
    34     yes  3.85  Advanced    Beginner         0
    13      no  4.00  Advanced      Novice         1
    26     yes  3.57  Advanced    Advanced         1
    19     yes  1.98  Advanced    Advanced         0
    >>>
 
    # Example 1: Calculate the mean of the "admitted" column (dependent variable) with 
    #            respect to the values in "gpa" column (independent variable).
    # Execute regr_avgy() using teradataml DataFrameColumn to generate the ColumnExpression.
    >>> regr_avgy_column = admissions_train.admitted.regr_avgy(admissions_train.gpa)
    # Pass the generated ColumnExpression to DataFrame.assign(), to run and produce the result.
    >>> df = admissions_train.assign(True, regr_avgy_=regr_avgy_column)
    >>> df
       regr_avgy_
    0        0.65
    >>>
 
    # Example 2: Calculate the mean of the "admitted" column (dependent variable) with
    #            respect to the values in "gpa" column (independent variable) for each
    #            level of programming.
    # Note:
    #   When assign() is run after DataFrame.groupby(), the function ignores
    #   the "drop_columns" argument.
    # Execute regr_avgy() using teradataml DataFrameColumn to generate the ColumnExpression.
    >>> regr_avgy_column = admissions_train.admitted.regr_avgy(admissions_train.gpa)
    # Pass the generated ColumnExpression to DataFrame.assign(), to run and produce the result.
    >>> df=admissions_train.groupby("programming").assign(regr_avgy_=regr_avgy_column)
    >>> df
      programming  regr_avgy_
    0    Advanced    0.812500
    1      Novice    0.727273
    2    Beginner    0.384615
    >>>