Python按stage列条件分段计算对应行Vout平均值的实现方法

核心思路是先给每个独立数据块打上唯一标识，再按块分组计算符合条件的平均值：

• 第一步：生成块ID列
  假设你的数据块按Stage递增序列排列，每个新块会从低Stage值重新开始，用如下代码给每个块分配唯一ID：

  # 每次Stage小于上一行的Stage时判定为新块开始，累加生成块ID
  df['block_id'] = (df['Stage'] < df['Stage'].shift(1).fillna(0)).cumsum()
  

  如果你数据块的划分逻辑不是Stage跳变（比如按时间间隔、其他特定列标识划分），只需调整block_id的生成规则即可。
• 第二步：分块计算Stage=2的Vout平均值
  直接输出每个块对应平均值的代码：

  block_avg = df[df['Stage'] == 2].groupby('block_id')['Vout'].mean().reset_index(name='stage2_vout_avg')
  

  如果需要把平均值回填到原数据集的对应行，可以用transform方法：

  df.loc[df['Stage'] == 2, 'block_stage2_avg'] = df[df['Stage'] == 2].groupby('block_id')['Vout'].transform('mean')
  

内容的提问来源于stack exchange，提问作者fudgey