下面是一种方法来完成您的问题（注意，我使用了startswith而不是filter，但如果需要，可以调整通用性）：

prefixes = ['A','B']
colsByPrefix = [[col for col in df.columns if col.startswith(pref)] for pref in prefixes]
df = pd.concat([df[cols] / df[cols].mean(axis=1).to_frame().to_numpy() for cols in colsByPrefix], axis=1)

输出：

A1   A2    A3        B1   B2        B3
0  0.25  1.0  1.75  0.785714  1.0  1.214286
1  0.40  1.0  1.60  0.800000  1.0  1.200000
2  0.50  1.0  1.50  0.812500  1.0  1.187500

我只是在chatGPT中复制粘贴了同样的问题，并进行了微小的修改，它给出了一个很好的答案。

import pandas as pd

# create a sample dataframe
df = pd.DataFrame({'A1': [1,2,3],
                   'A2': [4,5,6],
                   'A3': [7,8,9],
                   'B1': [11,12,13],
                   'B2': [14,15,16],
                   'B3': [17,18,19]                  
                  })

# calculate the mean for each type of column A and B
A_mean = df.filter(regex='A').mean(axis=1)
B_mean = df.filter(regex='B').mean(axis=1)

# normalize the values in each row of column A
df[df.filter(regex='A').columns] = df.filter(regex='A').div(A_mean, axis=0)

# normalize the values in each row of column B
df[df.filter(regex='B').columns] = df.filter(regex='B').div(B_mean, axis=0)

运行groupby并在assign函数中解包 Dataframe ：

df.assign(**df.groupby(df.columns.str[0], axis = 1).mean().add_suffix("_mean"))
   A1  A2  A3  B1  B2  B3  A_mean  B_mean
0   1   4   7  11  14  17     4.0    14.0
1   2   5   8  12  15  18     5.0    15.0
2   3   6   9  13  16  19     6.0    16.0