Python中如何遍历pandas DataFrame行按步长偏移分组计算行均值

现有包含100个随机数的Pandas DataFrame，需按以下规则分组计算均值：

• mean0：索引为0、5、10……的行的均值
• mean1：索引为1、6、11、16……的行的均值
• mean2：索引为2、7、12……的行的均值
• mean3：索引为3、8、13……的行的均值
• mean4：索引为4、9、14……的行的均值

目前已实现mean0的计算，但未找到合适的迭代方式完成其余均值计算，现有实现代码如下：

import numpy as np
import pandas as pd
import csv

data = np.random.randint(1, 100, size=100)
df = pd.DataFrame(data)

print(df)

df.to_csv('example.csv', index=False)

df1 = df[::5]
print("Every 12th row is:\n",df1)

df2 = df1.mean()
print(df2)

注：现有代码中打印的"Every 12th row"属于笔误，实际取的是从索引0开始、步长为5的行。

你现有写法里df[::5]是从索引0开始、每间隔5行取数据，只要循环0-4作为切片起始偏移量，就能拿到所有对应分组，不需要复杂逻辑。

方法1：兼容现有写法的循环实现 #

直接在原有逻辑基础上扩展，循环0到4的偏移值即可：

import numpy as np
import pandas as pd

data = np.random.randint(1, 100, size=100)
df = pd.DataFrame(data, columns=['val'])

mean_res = {}
for offset in range(5):
    # 从offset位置开始，步长为5取对应分组
    group_data = df.iloc[offset::5]
    mean_res[f"mean{offset}"] = group_data['val'].mean()

# 输出所有结果
for name, val in mean_res.items():
    print(f"{name}: {val:.2f}")

方法2：pandas原生分组高效实现 #

不需要手动写循环，直接用索引模5的结果作为分组键，一次性算出所有分组均值，代码更简洁：

import numpy as np
import pandas as pd

data = np.random.randint(1, 100, size=100)
df = pd.DataFrame(data, columns=['val'])

# 按索引对5取模的结果分组计算均值
mean_series = df.groupby(df.index % 5)['val'].mean()
# 重命名索引为mean0-mean4
mean_series.index = [f"mean{i}" for i in mean_series.index]

print(mean_series)

内容的提问来源于stack exchange，提问作者A. Gehani