Python中如何按距离区间提取Height的max、min与average并生成新DataFrame？

没问题，这事儿用Pandas就能轻松搞定，我给你一步步拆解方案：

用Pandas的pd.cut()将连续的Distance值划分成指定宽度的区间，再通过分组聚合计算每个区间内Height的统计值，最后整理成你需要的格式。

假设你的原始DataFrame名为df，包含Distance(m)和Height(m)两列，代码如下：

import pandas as pd
import numpy as np

# 1. 定义分组区间宽度
bin_width = 0.04439
# 生成覆盖所有Distance值的区间边界（从0开始，步长0.04439，直到超过最大Distance值）
bins = np.arange(0, df['Distance(m)'].max() + bin_width, bin_width)

# 2. 给原始数据添加分组标签（include_lowest=True确保第一个区间包含0值）
df['interval'] = pd.cut(df['Distance(m)'], bins=bins, include_lowest=True)

# 3. 分组聚合，计算每个区间的Height最大值、最小值、平均值
grouped_stats = df.groupby('interval')['Height(m)'].agg(
    Height_max=('max'),
    Height_min=('min'),
    Height_average=('mean')
).reset_index()

# 4. 整理结果格式：添加区间序号、计算区间中点作为distance代表值
grouped_stats['Interval'] = range(1, len(grouped_stats) + 1)
# 提取区间左右边界，计算中点（对应你示例里的distance列）
grouped_stats['distance(m)'] = grouped_stats['interval'].apply(
    lambda x: (x.left + x.right) / 2
)

# 5. 调整列顺序并保留需要的列，匹配你要的输出格式
result_df = grouped_stats[[
    'Interval', 'distance(m)', 'Height_max', 'Height_min', 'Height_average'
]]
# 给统计列加上单位后缀
result_df.columns = [
    'Interval', 'distance(m)', 'Height_max(m)', 
    'Height_min(m)', 'Height_average(m)'
]

# 查看最终结果
print(result_df)

• pd.cut()的include_lowest=True：确保第一个区间（0到0.04439）能包含Distance=0的第一个数据点，避免数据遗漏。
• 区间中点计算：用区间左右边界的平均值作为distance(m)列的值，和你示例里的格式一致；如果需要显示完整区间范围（比如[0, 0.04439]），直接保留interval列即可。
• 分组数量验证：0到0.81m按0.04439m宽度分组，刚好是18个区间（0.81 / 0.04439 ≈ 18.25，最后一个区间会包含剩余的少量数据，不影响统计结果）。

内容的提问来源于stack exchange，提问作者Master03 Skywalker