嘿，这个问题我太熟了——很多刚上手Pandas做分组计算的朋友都会先想到手动循环，但其实Pandas原生就有更简洁高效的方案，完全不用折腾子DataFrame再回填！

最直接的方案：用transform方法 #

transform是专门干这个的：它会对每个分组执行计算，然后把结果广播回原DataFrame的每一行，完美匹配你要的效果。

比如你举的平均值例子，一行代码就能搞定：

import pandas as pd

# 你的原始数据
df = pd.DataFrame({'a': [1,1,2,2], 'b': [2,3,4,5]})

# 新增c列，填充每组a对应的b列平均值
df['c'] = df.groupby('a')['b'].transform('mean')

运行后直接得到你想要的结果：

如果是你自己的MyFunction，只要这个函数接收一个Series（每组的b列数据）并返回一个标量，直接传给transform就行：

def MyFunction(series):
    # 这里写你的自定义逻辑，比如计算极差
    return series.max() - series.min()

df['c'] = df.groupby('a')['b'].transform(MyFunction)

备选方案：groupby计算后用map映射 #

如果需要先把分组计算的结果存下来复用，这种方法也很直观：

# 先计算每组的平均值，得到一个以a为索引的Series
group_stats = df.groupby('a')['b'].mean()

# 用map把a列的值对应到group_stats里的结果
df['c'] = df['a'].map(group_stats)

效果和transform完全一样，适合需要多次使用分组结果的场景。

为什么不推荐你的循环方法？ #

• 效率低：Pandas的核心是矢量化操作，手动循环会绕过这些优化，数据量大的时候速度差会非常明显。
• 代码冗余：还要手动筛选子DataFrame，最后还要考虑怎么把结果回填到原DataFrame，容易出错（比如索引不匹配的问题）。

内容的提问来源于stack exchange，提问作者Lostsoul