我发现一个非常奇怪的（恕我直言）行为，一些数据从CSV文件加载到pandas中。为了保护无辜者，让我们声明DataFrame位于变量homes中，其中包括以下列：
In [143]: homes[['zipcode', 'sqft', 'price']].dtypes
Out[143]:
zipcode int64
sqft int64
price int64
dtype: object
为了获得每个邮政编码的平均价格，我尝试了：
In [146]: homes.groupby('zipcode')[['price']].mean().head(n=5)
Out[146]:
price
zipcode
28001 280804
28002 234284
28003 294111
28004 1355927
28005 810164
奇怪的是，价格均值是一个int64，如下所示：
In [147]: homes.groupby('zipcode')[['price']].mean().dtypes
Out[147]:
price int64
dtype: object
我无法想象为什么某些总体的平均值不会被提升为浮动的任何技术原因。更重要的是，只需添加另一列，就可以使价格成为float64 正如我所期待的那样：
In [148]: homes.groupby('zipcode')[['price', 'sqft']].mean().dtypes
Out[148]:
price float64
sqft float64
dtype: object
price sqft
zipcode
28001 280804.690608 14937.450276
28002 234284.035176 7517.633166
28003 294111.278571 10603.096429
28004 1355927.097792 13104.220820
28005 810164.880952 19928.785714
为了确保我没有遗漏一些非常明显的东西，我创建了另一个非常简单的DataFrame（df）但是，有了这个，这个行为没有出现：
In [161]: df[['J','K']].dtypes
Out[161]:
J int64
K int64
dtype: object
In [164]: df[['J','K']].head(n=10)
Out[164]:
J K
0 0 -9
1 0 -14
2 0 8
3 0 -11
4 0 -7
5 -1 7
6 0 2
7 0 0
8 0 5
9 0 3
In [165]: df.groupby('J')[['K']].mean()
Out[165]:
K
J
-2 -2.333333
-1 0.466667
0 -1.030303
1 -1.750000
2 -3.000000
请注意，对于单个列，K：int64，按J分组，另一个是int64，平均值直接是浮点数。已读取homes DataFrame
提供的CSV文件，已在pandas中创建df个文件，写入CSV然后回读。
最后但并非最不重要的是，我使用的是pandas 0.16.2。