如何按公共分组变量而非全量数据计算算术平均值

假设你的DataFrame至少包含公司标识（如股票代码/名称，用于区分22家公司）、周数、日度价格三个核心字段，以下是Python Pandas环境下的实现方案：

方案1：保留原日度数据结构，新增周平均列 #

如果需要保留原有每日数据行，仅新增列匹配对应周的均值，使用groupby+transform实现：

import pandas as pd

# 按公司、周数两个维度分组，计算周均价格
df['周平均价格'] = df.groupby(['公司标识', '周数'])['日度价格'].transform('mean')

方案2：直接生成每只股票对应52周的汇总表 #

如果不需要保留日度数据，直接得到22家公司×52周的周均价格结果表：

# 分组聚合后重置索引，得到结构化的周均表
weekly_avg_df = df.groupby(['公司标识', '周数'], as_index=False)['日度价格'].mean().rename(columns={'日度价格':'周平均价格'})

注意事项 #

如果你的数据覆盖多个自然年，务必将「年份」字段也加入分组条件，避免不同年份的同一周数据被错误合并。如果存在单周内某只股票无交易日的情况，计算得到的周均值会是空值，可根据需求用dropna()删除空值，或用插值法补全。

内容的提问来源于stack exchange，提问作者Nish