从分组依据应用documentation：
传递给apply的函数必须将 Dataframe 作为其第一个参数
提供给apply()的函数将整个组的 Dataframe 作为参数。因此，调用values.mean()将计算组中所有行/列的平均值。在方法#1中，您按第一个索引对 Dataframe 进行分组，然后为每个组计算每个组中所有行/值的平均值，然后将结果连接到一个系列中。

在Python中，lambda是匿名函数;因此，具有单独的功能没有区别，例如：

def first_mean(cormat):
    return cormat.values.mean()

mean1 = df.groupby(level='index1').apply(first_mean)

在匿名函数中：lambda cormat: cormat.values.mean()

• cormat：参数名称
• cormat.values.mean()：返回值

换句话说，cormat只是一个名称，例如，我使用x（尽管它对代码可读性不好）。
使用lambda s的原因是方便，这家伙只是懒得自己定义一个单独的函数来计算第一个均值，传递了一个lambda。
从pandas的Angular 来看，.groupby()方法返回一个可迭代对象（tuple s的list），.apply()方法将该函数应用于可迭代对象的每一小部分。换句话说，您可以将整个.apply(lambda ...)部分编写如下：

def first_mean(cormat):
    return cormat.values.mean()

groups = df.groupby(level='index1')
t_dfs = []  # container to store each processed chunk of groupby
for name, group in groups:
    t_dfs.append(first_mean(group))

result = pd.concat(t_dfs)

希望这个有用。

首先，让我们考虑以下数据并查看输出：

data = {
    1 : [10,20,15,15],
    2 : [10,12,11,11]
}
df = pd.DataFrame(data)

mean = df.apply(lambda x: x.mean())
print(mean)

输出：
如你所知，一般来说，可以说lambda是一种关于行的for。（我不知道我在科学上有多正确，但这就是我的感觉）这就是为什么我们要在 Dataframe 上执行for时会出现很多次（特别是当我们处理条件表达式时）我们使用lambda。当我们运行类似df.apply(lambda x: x.mean())的程序时，它意味着在行上移动并给出行的平均值
这是您的 Dataframe ：

0         1         2         3
index1 index2                                        
bar    one    -0.670105  0.007948  1.016790  0.539176
       two     0.025020  0.751342 -0.402003 -1.279099
baz    one    -0.379699  1.834577 -0.106809 -0.105114
       two     0.341889  0.697291  0.640217 -0.264288
foo    one     0.985640  1.079954 -1.079756 -0.252929
       two     0.559913  1.254874 -0.387722 -0.992791
qux    one    -0.192437 -0.522757 -0.638837  1.826321
       two    -2.106791 -0.280402  0.593201  0.824298

对于此代码，我们有以下输出：

#Method 1: Mean for the whole date
mean1 = df.groupby(level='index1').apply(lambda x: x.mean())

# MEthod 2: Mean of mean
mean2 = df.groupby(level=['index1']).mean().mean(axis=1)

print(mean1,'\n-----------------------------------------------\n',mean2)

输出：

0         1         2         3
index1                                        
bar    -0.322543  0.379645  0.307393 -0.369962
baz    -0.018905  1.265934  0.266704 -0.184701
foo     0.772776  1.167414 -0.733739 -0.622860
qux    -1.149614 -0.401579 -0.022818  1.325309 
-----------------------------------------------
 index1
bar   -0.001367
baz    0.332258
foo    0.145898
qux   -0.062175
dtype: float64

因此，似乎根据第二个指标，计算了平均值。
通过下面的代码，values的工作原理就很清楚了。

values = df.groupby(level='index1').apply(lambda x: x.values)
print(values[0])

输出：

[[-0.6701054   0.00794845  1.01678958  0.5391757 ]
 [ 0.02501959  0.75134187 -0.40200268 -1.27909938]]

现在也许更有意义一点：

#Method 1: Mean for the whole date
mean1 = df.groupby(level='index1').apply(lambda x: x.values.mean())

# MEthod 2: Mean of mean
mean2 = df.groupby(level=['index1']).mean().mean(axis=1)

print(mean1,'\n-----------------------------------------------\n',mean2)

输出：

index1
bar   -0.001367
baz    0.332258
foo    0.145898
qux   -0.062175
dtype: float64 
-----------------------------------------------
 index1
bar   -0.001367
baz    0.332258
foo    0.145898
qux   -0.062175
dtype: float64