两级分组计算均值结果不同，该信任哪一种计算结果？

差异核心原因 #

两种计算方式的权重逻辑完全不同：

• 方式一：df.groupby('Group')['Time'].mean()
  计算的是全局记录均值——把该分组下所有用户的所有Time数据求和，除以该分组的总记录条数，每条数据的权重完全相等。
• 方式二：df.groupby(['Group', 'UserId'])['Time'].mean().loc[1].mean()
  计算的是用户均值的平均——先给每个用户算出其个人的Time均值，再把这些用户均值求和，除以该分组的用户数量，每个用户的权重完全相等，不管这个用户有多少条记录。

举个直观的例子就能明白：
假设Group 1有两个用户：

• 用户A有3条数据：10、20、30，个人均值是20
• 用户B有1条数据：40，个人均值是40
  方式一结果：(10+20+30+40)/4 = 25
  方式二结果：(20+40)/2 = 30
  差异的根源就是用户B的单条数据在方式二中，被赋予了和用户A三条数据相同的权重。

该信任哪个结果？ #

完全看你的业务目标：

• 如果要统计该分组下所有耗时记录的整体平均水平，选方式一；
• 如果要统计该分组下每个用户的平均耗时的平均值（聚焦用户个体的平均表现），选方式二。

内容的提问来源于stack exchange，提问作者renakre