如何为DataFrame新增列，基于其他列的行统计值计算？

嘿，这个需求不用单独创建额外数据集就能搞定，我给你两种实用的实现方式，都是直接在原DataFrame上操作：

方法1：行标签映射 + apply函数 #

这种方法适合行标签没有统一规律的场景，直接给每个行标签绑定对应的计算逻辑：

首先先构造你的测试DataFrame（方便验证）：

import pandas as pd

data = {
    'Test1': [20, 10, 30, 50, 1.2, 1.3, 1.0, 2.0],
    'Test2': [30, 15, 50, 80, 1.2, 1.3, 1.2, 2.1],
    'Test3': [40, 13, 90, 40, 1.2, 1.3, 1.3, 2.2]
}
Values = pd.DataFrame(data, index=['Power1', 'Power2', 'Max_Power1', 'Max_Power2', 'Voltage1', 'Voltage2', 'Current1', 'Current2'])

然后定义每个行标签对应的计算规则，再通过apply按行执行：

# 定义行标签到计算逻辑的映射字典
calc_map = {
    'Power1': lambda row: row.mean(),
    'Power2': lambda row: row.mean(),
    'Max_Power1': lambda row: row.max(),
    'Max_Power2': lambda row: row.max(),
    'Voltage1': lambda row: row.mean(),
    'Voltage2': lambda row: row.mean(),
    'Current1': lambda row: row.min(),
    'Current2': lambda row: row.min()
}

# 新增Result列，按行调用对应的计算逻辑
Values['Result'] = Values.apply(lambda row: calc_map[row.name](row), axis=1)

方法2：利用行标签规律 + np.select #

如果你的行标签有统一前缀（比如Power/Max_Power/Voltage/Current），用numpy.select会更高效，代码也更简洁：

import numpy as np

# 定义分组条件：按行标签前缀匹配
conditions = [
    Values.index.str.startswith('Power'),
    Values.index.str.startswith('Max_Power'),
    Values.index.str.startswith('Voltage'),
    Values.index.str.startswith('Current')
]

# 对应每组的计算方式
calculations = [
    Values.mean(axis=1),  # Power开头的行取平均值
    Values.max(axis=1),   # Max_Power开头的行取最大值
    Values.mean(axis=1),  # Voltage开头的行取平均值
    Values.min(axis=1)    # Current开头的行取最小值
]

# 新增Result列
Values['Result'] = np.select(conditions, calculations)

验证结果 #

执行完上面任意一种方法后，你的Values DataFrame会新增Result列，最终结果如下：

这完全符合你要求的各行计算规则~

内容的提问来源于stack exchange，提问作者Darth Ratus