如何基于timeframe_change<0的条件计算timeframe_L列的分组均值？

要实现按Code分组，计算timeframe_change < 0时timeframe_L列的均值，你需要在聚合逻辑中引用整个分组的行数据，而非单独的timeframe_change列。以下是两种实用方法：

方法一：在agg中用lambda处理整个分组 #

直接修改agg里的lambda函数，让它接收完整的分组对象，筛选出timeframe_change < 0的行后，再取timeframe_L的均值：

df = test.groupby(['Code']).agg(
    Count=('timeframe_change', 'count'),  # 保留原有的总计数
    Down_Mean_L=(lambda group: group[group['timeframe_change'] < 0]['timeframe_L'].mean())
)

这种方式会保留所有Code分组，没有符合条件的分组，Down_Mean_L会显示NaN。

方法二：先筛选再分组（更直观） #

先筛选出timeframe_change < 0的行，再对筛选结果分组计算均值。如果需要保留所有Code的总计数，可以和原分组的计数合并：

# 1. 计算所有Code的总计数
total_count = test.groupby(['Code'])['timeframe_change'].count().rename('Count')

# 2. 筛选符合条件的行，计算timeframe_L的均值
filtered_mean = test[test['timeframe_change'] < 0].groupby(['Code'])['timeframe_L'].mean().rename('Down_Mean_L')

# 3. 合并结果，保留所有Code
df = total_count.to_frame().merge(filtered_mean, left_index=True, right_index=True, how='left')

内容的提问来源于stack exchange，提问作者jrcart