使用groupby.cumcount和groupby.transform('size')：

g = df.groupby('a')['a']
s = g.transform('size')
df['out'] = np.where(s>1, df['a']+g.cumcount().add(1)/s.add(1), s)

第二种方法：

g = df.groupby('a')['a']
df['out2'] = df['a']+g.cumcount()/g.transform('size')

输出量：

a       out      out2
0   1  1.000000  1.000000
1   2  2.250000  2.000000
2   2  2.500000  2.333333
3   3  3.200000  3.000000
4   3  3.400000  3.250000
5   3  3.600000  3.500000
6   3  3.800000  3.750000
7   2  2.750000  2.666667
8   4  4.333333  4.000000
9   4  4.666667  4.500000
10  5  1.000000  5.000000

您可以使用np.linspace来获得均匀间隔的数字：

df["a_new"] = df.groupby("a", sort=False, group_keys=False)["a"].transform(
    lambda s: np.linspace(0, 1, len(s), endpoint=False) + s.iat[0]
)
print(df)

图纸：

a     a_new
0   1  1.000000
1   2  2.000000
2   2  2.333333
3   3  3.000000
4   3  3.250000
5   3  3.500000
6   3  3.750000
7   2  2.666667
8   4  4.000000
9   4  4.500000
10  5  5.000000

仅对重复序列应用均匀分布（np.random.uniform）：

rng = np.random.default_rng()
(df.groupby('a')['a'].transform(lambda x: rng.uniform(x.name, x.name+1, x.size)
                                if x.size > 1 else x))

0     1.000000
1     2.328058
2     2.570871
3     3.116998
4     3.887849
5     3.353023
6     3.127169
7     2.810340
8     4.006301
9     4.435186
10    5.000000