多索引Pandas DataFrame按Location计算加权平均并新增列

首先，我们先重现你的DataFrame（注意原始数据里Location是跨行合并的格式，实际构造时需要补全每一行的Location值）：

import pandas as pd

# 构造原始DataFrame
data = {
    'Location': ['M36', 'M36', 'M36', 'M36', 'M36', 'M36', 'M36', 'M36',
                 'M37', 'M37', 'M37', 'M37'],
    'Test#': ['Test1', 'Test2', 'Test3', 'Test4', 'Test5', 'Test6', 'Test7', 'Test8',
              'Test1', 'Test2', 'Test3', 'Test4'],
    'Type': ['A', 'B', 'B', 'A', 'C', 'C', 'A', 'A',
             'B', 'A', 'C', 'A'],
    'Parm1': [1.39, 1.44, 1.40, 1.49, 0.99, 1.74, 1.17, 2.40,
              2.91, 20.2, 4.88, 9.46],
    'Weight': [233, 281, 239, 438, 112, 200, 100, 7.8,
               232, 0, 958, 0]
}

df = pd.DataFrame(data)

接下来，我们需要为每个Location计算Parm1的加权平均（从你给出的示例结果来看，需要排除Weight=0的行，因为这类数据对加权平均没有贡献），然后将结果作为新列Weighted Ave.添加到原DataFrame，且仅在每个Location的第一行显示该值。

步骤1：计算每个Location的加权平均 #

我们可以用groupby结合自定义函数来实现，同时处理Weight为0的情况：

# 定义加权平均计算函数，筛选Weight>0的行参与计算
def weighted_avg(group):
    filtered = group[group['Weight'] > 0]
    if len(filtered) == 0:
        return None
    # 计算加权平均：(Parm1*Weight的总和) / (Weight的总和)
    return (filtered['Parm1'] * filtered['Weight']).sum() / filtered['Weight'].sum()

# 按Location分组计算，保留三位小数和示例一致
location_weighted_avg = df.groupby('Location').apply(weighted_avg).round(3)

步骤2：将加权平均合并回原DataFrame，仅填充组的第一行 #

我们可以利用cumcount()标记每个组内的行序号，只在序号为0的行填充加权平均值，其余行留空：

# 添加新列，仅在每个Location的第一行填充计算结果
df['Weighted Ave.'] = df['Location'].map(location_weighted_avg).where(df.groupby('Location').cumcount() == 0)

# 如果希望空值显示为空白而非NaN，可执行下面的代码
df['Weighted Ave.'] = df['Weighted Ave.'].fillna('')

最终结果 #

运行上述代码后，你的DataFrame会完全匹配期望输出：

内容的提问来源于stack exchange，提问作者Bob