多层索引Pandas DataFrame筛选、均值计算及CuDF适配问题

原有逻辑将entry、subentry拆分为两个独立列表做成员判断，丢失了**(entry, subentry)的配对绑定关系**：只要某entry下存在任意一个合法subentry，该entry下所有subentry只要编号出现在全局subentry列表里就会被保留，直接导致数据点数量不足2n的无效光子被误筛入结果，示例输出中entry=3下的subentry=0、1、2，entry=2下的subentry=1都属于这类误保留条目。

注：你提供的预期wf_pF示例里entry=0、subentry=1下多了一个值为5的点，属于手误，原始构造数据中该光子仅有6个数据点，以下实现严格按照需求定义、原始数据逻辑实现。

核心思路是按(entry, subentry)（即单光子维度）分组统计数据点总数，先筛选出点数≥2n的合法光子，再对合法光子取前n个点计算均值，全程保留索引配对关系：

import awkward as ak
import pandas as pd

# 参数定义，示例中n=3
n = 3
# 加载示例数据
wf = ak.to_pandas(ak.Array([ [[1,2,5,6,8,3,21,3],[5986.472,0,6,1,2,3],[0]],[[1]],[[0.1,23,534,21,53,12],[0]],[[1],[2],[0],[12,12,12,12,125,34]],[[76],[23,23,43],],[[0],[12,12,12,12]] ]))

# 1. 统计每个光子对应的数据点总数
photon_point_cnt = wf.groupby(level=["entry", "subentry"])["values"].count()
# 2. 筛选出点数≥2n的合法光子索引对
valid_photon_idx = photon_point_cnt[photon_point_cnt >= 2*n].index
# 3. 过滤原始数据，仅保留合法光子的所有数据点（即需求中提到的筛选后新DataFrame）
wf_filtered = wf[wf.index.droplevel("subsubentry").isin(valid_photon_idx)]
# 4. 对每个合法光子取前n个数据点计算均值，保留entry、subentry二级索引
averages = wf_filtered.groupby(level=["entry", "subentry"])["values"].apply(
    lambda group: group.iloc[:n].mean()
).to_frame(name="values")

# 打印验证结果
print(averages)

运行输出的均值结果和需求给出的预期值一致，仅存在浮点数精度级别的微小差异。

该逻辑完全可以在CuDF中实现，且全程走GPU向量化运算，相比Pandas有1~2个数量级的性能提升，适配亿级以上大规模波形数据处理，注意CuDF中避免使用apply实现逐组切片，用向量化的cumcount做点位标记性能最优：

import cudf

# 参数定义
n = 3
# wf_cudf为与Pandas版本索引结构一致的CuDF DataFrame，可直接从awkward数组转换得到
# 1. 统计每个光子的数据点数量
photon_cnt = wf_cudf.groupby(["entry", "subentry"])["values"].count().reset_index(name="point_cnt")
# 2. 筛选合法光子
valid_photons = photon_cnt[photon_cnt["point_cnt"] >= 2*n][["entry", "subentry"]]
# 3. 关联过滤原始数据
wf_filtered = wf_cudf.merge(valid_photons, on=["entry", "subentry"], how="inner")
# 4. 按索引排序后给每个光子内的数据点打顺序标签，筛选前n个点
wf_filtered = wf_filtered.sort_values(["entry", "subentry", "subsubentry"])
wf_filtered["point_rank"] = wf_filtered.groupby(["entry", "subentry"]).cumcount()
first_n_points = wf_filtered[wf_filtered["point_rank"] < n]
# 5. 分组计算均值
averages_cudf = first_n_points.groupby(["entry", "subentry"])["values"].mean().to_frame(name="values")

内容的提问来源于stack exchange，提问作者Alejandro Ramirez