不用循环遍历账户（这种方法在数据量大时效率极低），我们可以利用Pandas的向量化操作快速完成需求，步骤如下：

1. 准备训练集的日期均值数据 #

首先从训练集的日期中提取日期标识（比如一年中的第几天，或者月-日组合，确保不同年份的同一日期能被匹配），然后按账户和日期标识分组计算余额均值：

# 假设你的余额列名为`balance`，如果不是请替换为实际列名
# 提取日期标识：这里用年中的第几天，也可以用df_train['fdate'].dt.strftime('%m-%d')获取月-日组合
df_train['day_identifier'] = df_train['fdate'].dt.dayofyear

# 按账户+日期标识分组，计算余额均值
train_daily_means = df_train.groupby(['account', 'day_identifier'])['balance'].mean().reset_index(name='exp_bal')

2. 将均值匹配到测试集 #

给测试集添加同样的日期标识，然后通过merge操作将训练集的均值匹配到对应账户和日期的测试数据行：

# 测试集添加相同的日期标识
df_test['day_identifier'] = df_test['fdate'].dt.dayofyear

# 合并测试集与训练集的均值数据，确保所有测试行都被保留（left join）
df_test = df_test.merge(train_daily_means, on=['account', 'day_identifier'], how='left')

3. 处理可能的缺失值（可选） #

如果测试集中存在某个account+日期标识的组合在训练集中没有记录，对应的exp_bal会是NaN。你可以用该账户在训练集的整体均值填充这些缺失值：

# 计算每个账户在训练集的整体余额均值
account_overall_means = df_train.groupby('account')['balance'].mean().reset_index(name='account_mean')

# 合并到测试集并填充缺失值
df_test = df_test.merge(account_overall_means, on='account', how='left')
df_test['exp_bal'] = df_test['exp_bal'].fillna(df_test['account_mean'])

# 清理临时列（可选）
df_test.drop(['day_identifier', 'account_mean'], axis=1, inplace=True)

为什么不用循环？ #

Pandas的向量化分组和合并操作是基于底层优化的，比Python循环快几个数量级——尤其是当你的账户数量多、数据量大时，循环会导致严重的性能问题，而这种方法能高效完成计算。

内容的提问来源于stack exchange，提问作者Celius Stingher