如何对DataFrame中标记行的对应子列切片求位置均值？

现有如下结构的DataFrame（第一列为标记列，第二列为数据列）：

1 4
0 3
0 1
0 3
1 2
0 0
0 6

已知第一列中的1彼此间隔大于N步，需求如下：

• 定位第一列中每个1的出现位置
• 从该位置开始，提取第二列中长度为M（M<N）的连续切片
• 对所有切片的对应位置元素分别求均值（比如两个切片[4,3]和[2,0]，结果为[(4+2)/2, (3+0)/2]）

示例：当M=2时，最终结果应为[3.0, 1.5]（可表示为Series或列表）。

目前仅能想到逐行遍历的方法，希望得到更优实现思路。

不用逐行遍历，直接利用pandas/numpy的向量化操作即可高效完成，步骤如下：

1. 定位所有1的索引
   先提取第一列中值为1的所有行索引：

import pandas as pd

# 构造示例DataFrame
df = pd.DataFrame({
    'col1': [1, 0, 0, 0, 1, 0, 0],
    'col2': [4, 3, 1, 3, 2, 0, 6]
})

# 获取标记为1的行索引列表
target_indices = df[df['col1'] == 1].index.tolist()

2. 提取切片并构造二维结构
   由于1的间隔大于N、M<N，所以各切片不会重叠，直接按索引提取每个M长度的切片并组合成二维数组：

import numpy as np

M = 2
# 提取所有目标切片并转为二维数组
slices_array = np.array([df['col2'].iloc[idx:idx+M].values for idx in target_indices])

3. 按位置计算均值
   直接对二维数组的列维度求均值，得到最终结果：

result = slices_array.mean(axis=0).tolist()
# 输出结果：[3.0, 1.5]

如果偏好纯pandas实现，也可以将切片转为DataFrame后按列求均值：

slice_df = pd.DataFrame([df['col2'].iloc[idx:idx+M].values for idx in target_indices])
result = slice_df.mean(axis=0).tolist()

这种向量化运算的方式避免了逐行循环，数据量越大，效率优势越明显。

内容的提问来源于stack exchange，提问作者LazyCat