pandas 纵向求和|极客教程

pandas 纵向求和

在进行数据分析和处理时，经常会遇到需要对数据进行求和的情况。而在 pandas 中，我们可以通过一些简单的方法来进行数据的纵向求和，也就是对列进行求和。本文将详细介绍如何使用 pandas 对数据进行纵向求和的操作。

1. 创建示例数据

首先，让我们创建一个示例的 DataFrame，来演示纵向求和的操作。我们可以使用 pandas 的 DataFrame 构造函数来创建一个数据框，然后对其中的数据进行求和操作。

import pandas as pd

# 创建示例数据
data = {
    'A': [1, 2, 3, 4, 5],
    'B': [6, 7, 8, 9, 10],
    'C': [11, 12, 13, 14, 15]
}

df = pd.DataFrame(data)
print(df)

运行以上代码，我们会得到如下的示例数据：

   A   B   C
0  1   6  11
1  2   7  12
2  3   8  13
3  4   9  14
4  5  10  15

这里我们创建了一个包含 3 列（A、B、C）的示例数据框。

2. 纵向求和

接下来，让我们来进行纵向求和的操作。在 pandas 中，我们可以使用 sum() 方法对数据框的列进行求和。这个方法会返回一个包含每列求和结果的 Series 对象。

# 对数据进行纵向求和
sum_result = df.sum()
print(sum_result)

运行以上代码，我们会得到如下的纵向求和结果：

A    15
B    40
C    65
dtype: int64

这里，我们可以看到对每一列进行了求和，得到了列 A、B、C 的求和结果。

3. 指定轴向求和

除了默认的纵向求和外，我们也可以通过指定 axis 参数来进行横向求和。当 axis=0 时表示纵向求和（列求和），当 axis=1 时表示横向求和（行求和）。

# 横向求和
sum_result_axis_1 = df.sum(axis=1)
print(sum_result_axis_1)

运行以上代码，我们会得到如下的横向求和结果：

0    18
1    21
2    24
3    27
4    30
dtype: int64

这里，我们对每一行进行了求和，得到了行 0 到行 4 的求和结果。

4. 处理缺失值

在实际数据处理中，我们经常会遇到缺失值的情况。pandas 在进行求和操作时，会自动忽略缺失值。下面我们来演示一下对含有缺失值的数据进行求和操作。

# 创建含有缺失值的示例数据
data_with_na = {
    'A': [1, 2, None, 4, 5],
    'B': [6, 7, 8, None, 10],
    'C': [11, 12, 13, 14, 15]
}

df_with_na = pd.DataFrame(data_with_na)
print(df_with_na)

运行以上代码，我们会得到如下含有缺失值的示例数据：

     A     B   C
0  1.0   6.0  11
1  2.0   7.0  12
2  NaN   8.0  13
3  4.0   NaN  14
4  5.0  10.0  15

接着，我们对含有缺失值的数据进行求和操作，看看 pandas 是如何处理缺失值的。

# 对含有缺失值的数据进行求和
sum_result_with_na = df_with_na.sum()
print(sum_result_with_na)

运行以上代码，我们会得到如下对含有缺失值的数据进行求和的结果：

A    12.0
B    31.0
C    65.0
dtype: float64

这里，我们可以看到因为含有缺失值的列在求和时会被自动忽略。

5. 总结

通过本文的介绍，我们学习了如何在 pandas 中进行数据的纵向求和操作。纵向求和是数据处理和分析中常用的操作之一，能够帮助我们快速对数据进行统计和分析。在实际工作中，我们经常会用到对数据进行求和的操作，因此掌握纵向求和的方法是非常重要的。

pandas 纵向求和