Pandas 根据它计算一行的平均值'；s标签

根据其标签计算一行中值的平均值：

A = [1,2,3,4,5,6,7,8,9,10]
B = [0,0,0,0,0,1,1,1,1, 1]

Result = pd.DataFrame(data=[A, B])

我想要的输出是：0->3；1->7.8

---

pandas有groupby功能，但我不知道如何实现它。谢谢

首先，听起来您想为索引添加标签：

In [11]: Result = pd.DataFrame(data=[A, B], index=['A', 'B'])

In [12]: Result
Out[12]:
   0  1  2  3  4  5  6  7  8   9
A  1  2  3  4  5  6  7  8  9  10
B  0  0  0  0  0  1  1  1  1   1

如果索引是唯一的，则不必进行任何分组，只需取每行的平均值（即轴=1）：

但是，如果有多行具有相同的标签，则需要按以下方式分组：

In [21]: Result2 = pd.DataFrame(data=[A, A, B], index=['A', 'A', 'B'])

In [22]: Result2.mean(axis=1)
Out[22]:
A    5.5
A    5.5
B    0.5
dtype: float64

注意：重复的行（恰好与我懒散地使用相同的行内容时具有相同的平均值），通常我们希望取这些平均值的平均值：

In [23]: Result2.mean(axis=1).groupby(level=0).mean()
Out[23]:
A    5.5
B    0.5
dtype: float64

---

注意：

.groupby（level=0）

将具有相同索引标签的行分组。

这是一个简单的

groupby

问题

Result=Result.T
Result.groupby(Result[1])[0].mean()
Out[372]: 
1
0    3
1    8
Name: 0, dtype: int64

---

通过构建数据帧，将您想要表示的内容和您想要作为标签的内容作为不同的行，您会给自己带来困难

选项1

groubpy

这将处理数据框

结果中显示的数据

Result.loc[0].groupby(Result.loc[1]).mean()

1
0    3
1    8
Name: 0, dtype: int64

---

选项2
使用

np.bincount

过度杀戮，因为您的分组值是

0

和

1

。即使他们没有，我也会有一个解决方案，但这会使问题变得更简单。
我想使用原始列表

A

和

B

pd.Series(np.bincount(B, A) / np.bincount(B))

0    3.0
1    8.0
dtype: float64

pd.Series(A, B).mean(level=0)

0    3
1    8
dtype: int64

---

选项3
构造一个系列而不是数据帧。
再次使用原始列表

A

和

B

pd.Series(np.bincount(B, A) / np.bincount(B))

0    3.0
1    8.0
dtype: float64

pd.Series(A, B).mean(level=0)

0    3
1    8
dtype: int64