本文详解如何使用布尔索引配合iloc定位并计算dataframe中某一行（如'bahrain'）的数值列平均值，避免因索引设置不当导致的keyerror，并确保返回标准的numpy.float64类型结果。
本文详解如何使用布尔索引配合iloc定位并计算dataframe中某一行（如'bahrain'）的数值列平均值，避免因索引设置不当导致的keyerror，并确保返回标准的numpy.float64类型结果。
在Pandas中，df.loc['Bahrain'] 报错（KeyError）的根本原因在于：'Bahrain' 是数据中的某一列（Country）的值，而非行索引（index）。默认情况下，DataFrame的行索引是整数（0, 1, 2...），因此直接用字符串标签进行 .loc 查找会失败。
正确的做法是：先通过布尔条件筛选出 Country == 'Bahrain' 的行，再选取该行中所有数值列（即跳过 'Country' 列），最后调用 .mean() 计算平均值。推荐使用 iloc[:, 1:] 安全地选取从第1列开始的所有后续列（假设第0列为 'Country'），这样既清晰又不依赖列名顺序。
以下是完整、可复现的操作示例：
import pandas as pd
import numpy as np
# 构造示例数据
df = pd.DataFrame({
'Country': ['Bahrain', 'Maldives', 'Germany'],
'1990': [5, 10, 7],
'1995': [4, 9, 4],
'2000': [3, 8, 3],
'2005': [2, 7, 2],
'2010': [1, 6, 1],
'2015': [5, 5, 7]
})
# ✅ 正确方法：布尔索引 + iloc 取数值列 + mean()
row_avg = df[df['Country'] == 'Bahrain'].iloc[:, 1:].mean()
print(row_avg) # 输出: 3.3333333333333335
print(type(row_avg)) # <class 'numpy.float64'>⚠️ 注意事项：
- 若列顺序不固定，建议显式指定数值列名，提高鲁棒性：
numeric_cols = ['1990', '1995', '2000', '2005', '2010', '2015'] row_avg = df[df['Country'] == 'Bahrain'][numeric_cols].mean().iloc[0]
- 不要对包含字符串的整行（如含 'Country' 列）直接调用 .mean()，否则会引发 TypeError；
- df.loc['Bahrain'] 仅在 'Country' 列被设为索引（即执行了 df.set_index('Country')）后才有效——但这会改变原始结构，通常不推荐为单次操作而重设索引；
- 结果默认为 numpy.float64 类型，可直接参与数值计算或存入数据库/导出文件。
总结：定位行数据应优先使用布尔索引（df[condition]），而非假设标签已存在于索引中；结合 iloc 或明确列名子集，可精准提取数值区域并安全聚合。这是处理“带标识列的宽格式数据”的标准实践。
