熊猫:将多列汇总到一列中

Question

如果我有一个类似于这个的数据帧

Apples   Bananas   Grapes   Kiwis
2        3         nan      1
1        3         7        nan
nan      nan       2        3

我想添加一个这样的列

Apples   Bananas   Grapes   Kiwis   Fruit Total
2        3         nan      1        6
1        3         7        nan      11
nan      nan       2        3        5

我想你可以使用df['Apples'] + df['Bananas']等等,但我的实际数据帧比这大得多.我希望一个公式df['Fruit Total']=df[-4:-1].sum可以在一行代码中完成这个技巧.然而,这没有奏效.有没有办法在没有明确总结所有列的情况下做到这一点？

Answer 1

这可能对初学者有帮助，因此为了完整起见，如果您知道列名称（例如它们在列表中），则可以使用：

column_names = ['Apples', 'Bananas', 'Grapes', 'Kiwis']
df['Fruit Total']= df[column_names].sum(axis=1)

这使您可以灵活地选择使用哪些列，因为您只需操作列表column_names，并且可以执行诸如仅选择名称中带有字母“a”的列之类的操作。这样做的另一个好处是，人们更容易通过列名称理解他们在做什么。将此与 结合起来list(df.columns)以列表格式获取列名称。因此，如果你想删除最后一列，你所要做的就是：

column_names = list(df.columns)
df['Fruit Total']= df[column_names[:-1]].sum(axis=1)

Answer 2

您可以先选择iloc,然后选择sum:

df['Fruit Total']= df.iloc[:, -4:-1].sum(axis=1)
print (df)
   Apples  Bananas  Grapes  Kiwis  Fruit Total
0     2.0      3.0     NaN    1.0          5.0
1     1.0      3.0     7.0    NaN         11.0
2     NaN      NaN     2.0    3.0          2.0

Answer 3

可以在不知道列数甚至没有 iloc 的情况下执行此操作：

print(df)
   Apples  Bananas  Grapes  Kiwis
0     2.0      3.0     NaN    1.0
1     1.0      3.0     7.0    NaN
2     NaN      NaN     2.0    3.0

cols_to_sum = df.columns[ : df.shape[1]-1]

df['Fruit Total'] = df[cols_to_sum].sum(axis=1)

print(df)
   Apples   Bananas Grapes  Kiwis   Fruit Total
0  2.0      3.0     NaN     1.0     5.0
1  1.0      3.0     7.0     NaN     11.0
2  NaN      NaN     2.0     3.0     2.0

Answer 4

df['Fruit Total']= df.iloc[:, -4:-1].sum(axis=1)在原始df上使用不会添加最后一列（“ Kiwis”），df.iloc[:, -4:]而应使用它来选择所有列：

print(df)
   Apples  Bananas  Grapes  Kiwis
0     2.0      3.0     NaN    1.0
1     1.0      3.0     7.0    NaN
2     NaN      NaN     2.0    3.0

df['Fruit Total']=df.iloc[:,-4:].sum(axis=1)

print(df)
   Apples  Bananas  Grapes  Kiwis  Fruit Total
0     2.0      3.0     NaN    1.0          6.0
1     1.0      3.0     7.0    NaN         11.0
2     NaN      NaN     2.0    3.0          5.0