Python Pandas DataFrame sum方法用法及代碼示例

例子

考慮以下 DataFrame ：

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



   A  B
0  2  4
1  3  5

逐列求和

要計算每列的總和：

df.sum()   # axis=0



A    5
B    9
dtype: int64

這裏，返回類型是Series。

逐行求和

要計算每行的總和，請設置 axis=1 ：

df.sum(axis=1)



0    6
1    8
dtype: int64

指定skipna

考慮以下帶有缺失值的DataFrame：

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



   A    B
0  2.0  4
1  NaN  5

默認情況下， skipna=True ，這意味著在計算中忽略 NaN ：

df.sum()



A    2.0
B    9.0
dtype: float64

設置為 skipna=False 將考慮 NaN ：

df.sum(skipna=False)



A    NaN
B    9.0
dtype: float64

我們對 A 列的總和得到 NaN 的原因是，任何涉及 NaN 的算術計算都會產生 NaN 。

指定numeric_only

考慮以下 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

此處， B 和 C 列都包含混合類型，但主要區別在於，求和是為 B 定義的，而不是為 C 定義的。回想一下， True 布爾值的內部表示是 1 ，因此操作 2+True 實際上計算為 3 ：

2 + True



3

另一方麵，"6"+False 拋出錯誤：

6 + "False"



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

None

默認情況下， numeric_only=None ，這意味著混合類型的行/列也會被考慮：

df.sum(numeric_only=None)



A    9
B    3
dtype: int64

在這裏，注意如何在列上執行求和B，但不是在C。通過傳入None，導致無效求和的行/列將被忽略沒有拋出錯誤.

False

通過設置 numeric_only=False ，將再次考慮混合類型的行/列，但無法求和時會拋出錯誤：

df.sum(numeric_only=False)



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

在這裏，我們最終得到一個錯誤，因為 C 列包含混合類型，其中未定義 + 操作。

True

通過設置 numeric_only=True ，僅考慮數字行/列：

df.sum(numeric_only=True)



A    9
dtype: int64

請注意B 和C 列如何被忽略，因為它們包含混合類型。

空的情況DataFrame

計算空的 DataFrame 或 Series 的總和將得到 0 ：

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



A    0.0
dtype: float64