按year分组计算薪资均值后赋值新列全为NaN问题求助

为什么赋值后新列全是NaN？ #

你直接赋值的核心问题是索引不匹配：

• df.groupby('year')['salary'].mean()返回的是一个Series，它的索引是year列的唯一值（比如1990、1992），对应的值是该年份的薪资均值。
• 但原DataFrame的索引是默认的0、1、2这类行号，两者索引完全不对应。Pandas赋值时会严格按索引对齐数据，找不到匹配项的位置就会填充NaN。

解决方法 #

方法一：使用transform（推荐） #

transform会自动将分组计算的结果广播回原DataFrame的每一行，保持索引一致，直接得到对应年份的均值：

df['averageSalaryPerYear'] = df.groupby('year')['salary'].transform('mean')

方法二：使用map映射 #

先把分组结果转成字典，再通过year列匹配对应均值：

# 先生成年份到均值的映射字典
year_salary_mean = df.groupby('year')['salary'].mean().to_dict()
# 映射到原DataFrame
df['averageSalaryPerYear'] = df['year'].map(year_salary_mean)

两种方法都能让新列正确显示对应年份的薪资均值，不会出现NaN。

内容的提问来源于stack exchange，提问作者Amin