Pandas按索引分组计算扩展均值且保持行顺序的实现问题

嗨，我来帮你搞定这个问题！你想要的是按索引（week）分组后，对每个组内的列计算扩展均值，同时严格保留原始数据的行顺序，对吧？你的尝试思路方向没错，但没加入分组逻辑，所以没法按索引区分计算，自然得不到想要的结果。

先帮你把原始数据的代码写出来，方便复现：

import pandas as pd

# 构建你提供的df1
data = {'a': [47, 36, 29, -68, -12, 67],
        'b': [19, 44, 46, -37, 90, 66]}
df1 = pd.DataFrame(data, index=[9,9,10,10,10,9])

正确实现方案 #

核心思路是先按索引分组，在每个组内计算扩展均值，最后还原原始行顺序，具体代码如下：

# 1. 按索引分组，计算每组内的扩展均值
expanding_group_means = df1.groupby(level=0).expanding().mean().droplevel(0)

# 2. 按照原df1的行顺序重新排列结果，保证顺序一致
final_result = expanding_group_means.loc[df1.index]

运行后输出的结果完全符合你的预期：

a     b
9    47.0  19.0
9    41.5  31.5
10   29.0  46.0
10  -19.5   4.5
10  -17.0  33.0
9    50.0  43.0

代码解释 #

• groupby(level=0)：因为你的索引是单级的week，用level=0可以直接按索引分组，也可以写成groupby(df1.index)，效果一致。
• expanding().mean()：对每个分组内的数据逐行计算扩展均值——也就是每一行的值，是该组从第一行到当前行所有数据的平均值，比如最后一行索引9的b列，就是(19+44+66)/3=43。
• droplevel(0)：分组后的结果会生成多层索引（分组索引+原索引），这里去掉第一层分组索引，只保留原始的week索引。
• loc[df1.index]：分组计算后的结果会默认按组排序（比如先所有索引9的行，再索引10的行），用原df1的索引顺序重新选取行，就能完美还原你原始数据的行顺序。

为什么你的尝试没生效 #

你写的df1[df1.index == df1.index].expanding().mean()其实等价于直接对整个df1计算全局扩展均值，没有按索引分组的逻辑，所以自然没法区分不同week的计算结果啦。

备注：内容来源于stack exchange，提问作者younggotti