按行迭代计算每100元素均值：DataFrame秒级数据转换需求

你完全不需要嵌套循环——Pandas和Numpy的向量化操作能更高效地完成这个任务，而且代码更简洁。以下是具体实现方案：

1. 读取原始数据（如果还未加载） #

import pandas as pd
import numpy as np

# 加载txt数据到DataFrame
df = pd.read_csv('https://raw.githubusercontent.com/Arancium98/ucihydraulic/main/Data/PS1.txt', sep='\s+', header=None)

2. 核心：向量化生成秒级均值 #

利用Numpy的reshape将整份数据直接重塑为三维结构（2205行 × 60秒 × 100个样本/秒），然后直接沿样本维度求均值：

# 重塑数据结构：(周期数, 秒数, 每秒样本数)
reshaped_data = df.values.reshape(2205, 60, 100)
# 对每秒的100个样本求均值，生成新的DataFrame
Seconds = pd.DataFrame(reshaped_data.mean(axis=2))

3. 备选：用apply实现（可读性优先） #

如果你更倾向于逐行处理的逻辑，也可以用apply结合分组求均值，虽然速度比向量化稍慢，但代码逻辑直观：

# 对每行按每100个元素分组，计算每组均值
Seconds = df.apply(lambda row: row.groupby(np.arange(len(row)) // 100).mean(), axis=1)

为什么不用嵌套循环？ #

嵌套循环是Python级别的逐元素操作，对于2205行×6000列的数据，运行效率会比向量化操作低几个数量级——Numpy的向量化操作是基于C实现的，能大幅提升处理速度。

内容的提问来源于stack exchange，提问作者Simon