python数据框中每列相加_python – Pandas数据帧中每两列的总和

1)通过提供axis = 1来执行w.r.t列的groupby.根据Per @ Boud的评论,你可以通过分组数组中的小调整得到你想要的结果：

df.groupby((np.arange(len(df.columns)) // 2) + 1, axis=1).sum().add_prefix('s')

根据这种情况进行分组：

np.arange(len(df.columns)) // 2

# array([0, 0, 1, 1, 2, 2], dtype=int32)

df = pd.DataFrame(np.add.reduceat(df.values, np.arange(len(df.columns))[::2], axis=1))

df.columns = df.columns + 1

df.add_prefix('s')

时间限制：

对于横跨20列的100万行DF：

from string import ascii_lowercase

np.random.seed(42)

df = pd.DataFrame(np.random.randint(0, 10, (10**6,20)), columns=list(ascii_lowercase[:20]))

df.shape

(1000000, 20)

def with_groupby(df):

return df.groupby((np.arange(len(df.columns)) // 2) + 1, axis=1).sum().add_prefix('s')

def with_reduceat(df):

df = pd.DataFrame(np.add.reduceat(df.values, np.arange(len(df.columns))[::2], axis=1))

df.columns = df.columns + 1

return df.add_prefix('s')

# test whether they give the same o/p

with_groupby(df).equals(with_groupby(df))

True

%timeit with_groupby(df.copy())

1 loop, best of 3: 1.11 s per loop

%timeit with_reduceat(df.copy()) # 3X faster)

1 loop, best of 3: 345 ms per loop