您可以使用布尔索引将值0和1000替换为组的平均值：

# boolean mask, check where values are 0 and 1000
mask = df['prix_millions'].isin([0, 1000])

# compute the mean for each group
mean_per_group = df.loc[~mask].groupby('modele')['prix_millions'].mean()

# replace 0 and 1000 values by the mean of the group
df.loc[mask, 'prix_millions'] = df['modele'].map(mean_per_group)

输出：

>>> df
   modele  prix_millions
0       1     364.833333
1       1     756.000000
2       1     347.000000
3       1     364.833333
4       1     364.833333
5       1     364.833333
6       1     137.000000
7       1     748.000000
8       1     123.000000
9       1      78.000000

详情：

>>> m
0     True
1    False
2    False
3     True
4     True
5     True
6    False
7    False
8    False
9    False
Name: prix_millions, dtype: bool

>>> mean_per_group
modele
1    364.833333
Name: prix_millions, dtype: float64

输入：

>>> df
   modele  prix_millions
0       1              0
1       1            756
2       1            347
3       1           1000
4       1           1000
5       1              0
6       1            137
7       1            748
8       1            123
9       1             78

您收到的错误消息“TypeError：“DataFrameGroupBy”对象不支持项分配，因为您试图将值分配给groupby对象，而这是不允许的。
若要解决此问题，在将replace_zero_or_1000_with_nan函数应用于'prix_millions'列时，可以使用transform方法而不是apply。transform方法将一个函数应用于每个组，并返回与原始数据框形状相同的数据框。
下面是更新后的代码：

grouped_df = df1.groupby('modele')

def replace_zero_or_1000_with_nan(x):
  x[x == 0.0] = pd.np.nan
  x[x == 1000000.0] = pd.np.nan
  return x

# Use transform() to apply the function to the car_price column of each group
grouped_df['prix_millions'] = grouped_df['prix_millions'].transform(replace_zero_or_1000_with_nan)

# Use transform() to apply the mean value of each car model to the NaN values
imputed_df = grouped_df.transform(lambda x: x.fillna(x.mean()))

这应该允许您用NaN替换0和10000值，然后将每个汽车模型的平均值代入NaN值。

这是因为groupby方法返回DataFrameGroupBy类型，而不是DataFrame。事实上，在替换值之前，你真的需要groupby数据集吗？我认为你可以通过重新排序操作来解决这个问题。