如何在Python/Pandas中分段计算列的RMS值？

针对你需要非重叠分段（每2行一组）计算RMS并将结果放在每组最后一行的需求，最优方法是利用Pandas的groupby结合transform或直接分组计算后映射，以下是具体实现：

核心思路 #

1. 按固定行数（这里是2行）创建分组标签，将数据划分为非重叠的组；
2. 对每组计算RMS值（公式：$\sqrt{\frac{1}{n}\sum_{i=1}^n x_i^2}$）；
3. 将计算结果映射回原DataFrame的对应位置（仅每组最后一行赋值）。

代码实现 #

1. 构造示例数据

import pandas as pd
import numpy as np

df = pd.DataFrame({'x': [2, 3, 10, 22, 5, 7]})

2. 简洁链式写法（推荐）

# 每2行一组，计算RMS并仅保留每组最后一行的结果
df['x_rms'] = (df.groupby(df.index // 2)['x']
               .transform(lambda group: np.sqrt(np.mean(group ** 2)))
               .where(df.index % 2 == 1))  # 仅在每组第2行（索引为奇数）保留值

3. 分步写法（更易理解）

# 1. 创建分组标签：每2行一组
groups = df.index // 2

# 2. 计算每组的RMS值
rms_results = df.groupby(groups)['x'].apply(lambda g: np.sqrt(np.mean(g ** 2)))

# 3. 初始化x_rms列并赋值
df['x_rms'] = np.nan
df.loc[df.index % 2 == 1, 'x_rms'] = rms_results.values

输出结果 #

执行后df.round(2)的输出为：

扩展性说明 #

如果需要调整分组大小（比如每3行一组），只需修改两处：

• 分组标签：groups = df.index // 3
• 赋值位置：df.loc[df.index % 3 == 2, 'x_rms']（每组最后一行的索引模分组大小等于分组大小-1）

这种方法利用Pandas的向量化操作，避免了循环，在大数据量下效率远高于逐行计算，是处理此类分段统计的最优方案。

内容的提问来源于stack exchange，提问作者Horst-Jackson