Python Pandas DataFrame sum方法用法及代码示例

例子

考虑以下 DataFrame ：

df = pd.DataFrame({"A":[2,3], "B":[4,5]})
df



   A  B
0  2  4
1  3  5

逐列求和

要计算每列的总和：

df.sum()   # axis=0



A    5
B    9
dtype: int64

这里，返回类型是Series。

逐行求和

要计算每行的总和，请设置 axis=1 ：

df.sum(axis=1)



0    6
1    8
dtype: int64

指定skipna

考虑以下带有缺失值的DataFrame：

df = pd.DataFrame({"A":[2,pd.np.nan], "B":[4,5]})
df



   A    B
0  2.0  4
1  NaN  5

默认情况下， skipna=True ，这意味着在计算中忽略 NaN ：

df.sum()



A    2.0
B    9.0
dtype: float64

设置为 skipna=False 将考虑 NaN ：

df.sum(skipna=False)



A    NaN
B    9.0
dtype: float64

我们对 A 列的总和得到 NaN 的原因是，任何涉及 NaN 的算术计算都会产生 NaN 。

指定numeric_only

考虑以下 DataFrame ：

df = pd.DataFrame({"A":[4,5], "B":[2,True], "C":["6",False]})
df



   A  B     C
0  4  2     "6"
1  5  True  False

此处， B 和 C 列都包含混合类型，但主要区别在于，求和是为 B 定义的，而不是为 C 定义的。回想一下， True 布尔值的内部表示是 1 ，因此操作 2+True 实际上计算为 3 ：

2 + True



3

另一方面，"6"+False 抛出错误：

6 + "False"



TypeError: unsupported operand type(s) for +: 'int' and 'str'

None

默认情况下， numeric_only=None ，这意味着混合类型的行/列也会被考虑：

df.sum(numeric_only=None)



A    9
B    3
dtype: int64

在这里，注意如何在列上执行求和B，但不是在C。通过传入None，导致无效求和的行/列将被忽略没有抛出错误.

False

通过设置 numeric_only=False ，将再次考虑混合类型的行/列，但无法求和时会抛出错误：

df.sum(numeric_only=False)



TypeError: can only concatenate str (not "bool") to str

在这里，我们最终得到一个错误，因为 C 列包含混合类型，其中未定义 + 操作。

True

通过设置 numeric_only=True ，仅考虑数字行/列：

df.sum(numeric_only=True)



A    9
dtype: int64

请注意B 和C 列如何被忽略，因为它们包含混合类型。

空的情况DataFrame

计算空的 DataFrame 或 Series 的总和将得到 0 ：

df = pd.DataFrame({"A":[]})
df.sum()



A    0.0
dtype: float64