好的，这是一个答案的开始。(我怀疑您在研究细节时可能会有更多问题。)
有几种方法可以获取文件名。您可以将它们放在一个文件中，但使用glob.iglob()函数更容易(也更好)。下面有两个示例，说明如何：1)打开每个文件，2)将数据从data数据集中读入数组，以及3)将数组追加到列表中。第一个示例将文件名显示在列表中。第二个使用glob.iglob()函数来获取文件名。(您还可以使用glob.glob()创建姓名列表。)

方法一：从列表中读取文件名

import h5py
arr_list = []
for h5file in ['20221001.h5', '20221002.h5', '20221003.h5']:    
    with h5py.File(h5file,'r') as h5f:    
        arr = h5f['data'][()]
        #print(arr)
        arr_list.append(arr)

方法二：使用lob.iglob()获取通配符文件

import h5py
from glob import iglob 
arr_list = []
for h5file in iglob('202210*.h5'):    
    with h5py.File(h5file,'r') as h5f:    
        print(h5f.keys()) # to get the dataset names from the keys
        arr = h5f['data'][()]
        #print(arr)
        arr_list.append(arr)

将数据集读入数组后，迭代列表、进行计算并根据结果创建新数组。下面的代码显示了如何获取shape和dtype。

for arr in arr_list:

# do something with the data based on column 0 value

    print(arr.shape, arr.dtype)

下面的代码显示了对具有匹配的第0列值的行进行求和的方法。在没有更多细节的情况下，很难确切地展示如何做到这一点。它将所有第0列的值读取到排序列表中，然后用来调整count和sum数组的大小，然后将其作为适当行的索引。

# first create a list from column 0 values, then sort

row_value_list = []
for arr in arr_list:
    col_vals = arr[:,0]
    for val in col_vals:
        if val not in row_value_list:
            row_value_list.append(val)

# Sort list of column IDs

row_value_list.sort()

# get length index list to create cnt and sum arrays

a0 = len(row_value_list) 

# get shape and dtype from 1st array, assume constant for all

a1 = arr_list[0].shape[1] 
dt = arr_list[0].dtype

arr_cnt = np.zeros(shape=(a0,a1),dtype=dt)
arr_cnt[:,0] = row_value_list
arr_sum = np.zeros(shape=(a0,a1),dtype=dt)
arr_sum[:,0] = row_value_list
for arr in arr_list:
    for row in arr:
        idx = row_value_list.index(row[0])
        arr_cnt[idx,1:] += 1
        arr_sum[idx,1:] += row[1:]

print('Count Array\n',arr_cnt)
print('Sum Array\n',arr_sum)

arr_ave = arr_sum/arr_cnt
arr_ave[:,0] = row_value_list
print('Average Array\n',arr_ave)

以下是从集合创建row_value_list的另一种方法。它更简单，因为集合不保留重复值，因此在将它们添加到row_value_set时不必检查现有值。

# first create a set from column 0 values, then create a sorted list

row_value_set = set()
for arr in arr_list:
    col_vals = set(arr[:,0])
    row_value_set = row_value_set.union(col_vals)
row_value_list = sorted(row_value_set)

这是一个新的、更新的答案，解决了关于计算中位数的评论/请求。(它还可以计算平均值，并且可以很容易地扩展以计算掩码数组中的其他统计信息。)
正如我在2022年11月4日的评论中所指出的，“从我的第一个答案开始，很快就变得复杂和难以理解”。这个过程与第一个答案相似，但又不同。它使用glob来获取文件名列表(而不是iglob)。它不是将H5数据集加载到数组列表中，而是将所有数据加载到单个数组中(数据在0轴上“堆叠”)。我不认为这会增加内存占用。但是，如果要加载大量非常大的数据集进行分析，则内存可能会成为一个问题。
程序摘要：
1.使用glob.glob()根据通配符将文件名加载到列表
1.根据文件数和1个数据集的大小分配一个数组来存放所有数据(arr_all)。
1.循环所有H5文件，将数据加载到arr_all
1.创建唯一组ID的排序列表(第0列值)
1.根据arr_all中唯一的行ID数和列数，分配数组以保存平均值/中位数(arr_mean和arr_median)。
1.循环ID列表中的值，然后：
A.创建掩码数组(mask)，其中第0列的值=循环值
B.广播mask以匹配arr_all形状，然后应用以创建ma_arr_all
C.循环遍历ma_arr_all列，压缩以获得未掩码的值，然后计算平均值和中位数并保存。
代码如下：

import h5py
from glob import glob 
import numpy as np

# use glob.glob() to get list of files using wildcard names

file_list = glob('202210*.h5')
with h5py.File(file_list[0],'r') as h5f:
    a0, a1 = h5f['data'].shape
    # allocate array to hold values from all datasets
    arr_all = np.zeros(shape=(len(file_list)*a0,a1), dtype=h5f['data'].dtype)

start, stop = 0, a0
for i, h5file in enumerate(file_list):    
    with h5py.File(h5file,'r') as h5f:       
        arr_all[start:stop,:] = h5f['data'][()]
        start += a0
        stop += a0

# Create a set from column 0 values, and use to create a sorted list

row_value_set = set(arr_all[:,0])
row_value_list = sorted(row_value_set)

arr_mean = np.zeros(shape=(len(row_value_list),arr_all.shape[1]))
arr_median = np.zeros(shape=(len(row_value_list),arr_all.shape[1]))

col_0 = arr_all[:,0:1]
for i, row_val in enumerate(row_value_list):
    row_mask = np.where(col_0==row_val, False, True ) # True mask value ignores data.
    all_mask= np.broadcast_to(row_mask, arr_all.shape)
    ma_arr_all = np.ma.masked_array(arr_all, mask=all_mask)    
    for j in range(ma_arr_all.shape[1]):
        masked_col = ma_arr_all[:,j:j+1].compressed()
        arr_mean[i:i+1,j:j+1] = np.mean(masked_col)
        arr_median[i:i+1,j:j+1] = np.median(masked_col)
print('Mean values:\n',arr_mean)    
print('Median values:\n',arr_median)