dataframe 多个列求和(很多列情况)

你可以只需sum并设置param axis=1来对行进行求和,这将忽略无数字列:

In [91]:

df = pd.DataFrame({'a': [1,2,3], 'b': [2,3,4], 'c':['dd','ee','ff'], 'd':[5,9,1]})
df['e'] = df.sum(axis=1)
df
Out[91]:
   a  b   c  d   e
0  1  2  dd  5   8
1  2  3  ee  9  14
2  3  4  ff  1   8

如果您只想对特定列求和,则可以创建列的列表并删除您不感兴趣的列:

In [98]:

col_list= list(df)
col_list.remove('d')
col_list
Out[98]:
['a', 'b', 'c']
In [99]:

df['e'] = df[col_list].sum(axis=1)
df
Out[99]:
   a  b   c  d  e
0  1  2  dd  5  3
1  2  3  ee  9  5
2  3  4  ff  1  7
  • 5
    点赞
  • 15
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
### 回答1: 可以使用Pandas中的函数进行处理,比如可以使用.apply()函数,该函数可以用来对DataFrame中的每一个元素应用一个函数;也可以使用.map()函数,该函数可以将某个的每一个元素映射到另一个值;还可以使用.replace()函数,该函数可以将某个中的某个值替换为另一个值。 ### 回答2: pandas是一个基于Python的数据分析工具,可以方便地对数据进行处理和分析。当需要对dataFrame中的某一个进行处理时,可以使用pandas提供的一些方法。 首先,我们可以使用dataFrame名来引用某一。例如,我们有一个dataFrame名为df,其中包含名为col的。我们可以使用df['col']来引用该数据。 接下来,我们可以使用pandas提供的方法对数据进行处理。以下是一些常用方法: 1. head():返回某个的前几行数据。可以使用df['col'].head(n)来获取该的前n行数据。 2. unique():返回某个的唯一值。可以使用df['col'].unique()来获取该的所有唯一值。 3. value_counts():返回某个中各个值出现的次数。可以使用df['col'].value_counts()来获取该各个值的出现次数。 4. map():对某个的每个元素进行映射操作。可以使用df['col'].map(func)来对该的每个元素进行func函数的映射操作。 5. apply():对某个的每个元素进行自定义的函数操作。可以使用df['col'].apply(func)来对该的每个元素进行func函数的操作。 6. fillna():对某个的缺失值进行填充。可以使用df['col'].fillna(value)来将该的缺失值填充为value。 7. dropna():删除某个中包含缺失值的行。可以使用df.dropna(subset=['col'])来删除该中包含缺失值的行。 以上是pandas中对dataFrame中某一个的数据进行处理的常用方法。通过使用这些方法,可以方便地对数据进行操作和分析。 ### 回答3: Pandas对DataFrame中某一个的数据进行处理的方法有很多种,下面我举了几种常用的方法: 1. 使用apply()函数:apply()函数可以将一个自定义的函数应用到某一个的每一个元素上。例如,假设我们要将某一的数据进行平方处理,可以定义一个平方函数,然后使用apply()函数将该函数应用到该上。 ```python def square(x): return x ** 2 df['column_name'] = df['column_name'].apply(square) ``` 2. 使用pandas内置函数:Pandas提供了很多内置的函数,例如对某一的数据进行求和、求平均值、计数等操作。可以直接使用这些函数来进行数据处理。 ```python df['column_name'] = df['column_name'].sum() df['column_name'] = df['column_name'].mean() df['column_name'] = df['column_name'].count() ``` 3. 使用lambda表达式:lambda表达式是一种简洁的定义函数的方式,可以在apply()函数中使用lambda表达式对某一的数据进行处理。 ```python df['column_name'] = df['column_name'].apply(lambda x: x ** 2) ``` 4. 使用其他pandas函数:除了上述方法,Pandas还提供了很多其他的函数来对某一的数据进行处理,例如map()函数、str模块中的函数(用于文本处理)、astype()函数(用于改变数据类型)等。 总结起来,Pandas对DataFrame中某一个的数据进行处理的方法有很多种,可以根据具体需求选择合适的方法来处理数据。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值