如何用Pandas实现跨两个数据集的Excel SUMIFS函数？

先明确Excel原公式逻辑 #

你的Excel公式 =SUMIFS('Sheet_1'!$D:$D, 'Sheet_2'!$A:$A,">"&'Some_Value', 'Sheet_2'!$B:$B,"<="&'Some_Value_2') 核心逻辑是：

仅当Sheet_2中同一行的A列值大于Some_Value，且B列值小于等于Some_Value_2时，将Sheet_1对应行的D列值计入求和结果。
注：Excel的SUMIFS默认按行对齐条件区域与求和区域，要求两个工作表的行数一致，否则会按最短表的行数匹配。

Pandas实现方案 #

1. 读取工作表数据 #

先把两个工作表读取为Pandas DataFrame：

import pandas as pd

# 替换为你的实际文件路径
sheet1 = pd.read_excel("your_excel_file.xlsx", sheet_name="Sheet_1")
sheet2 = pd.read_excel("your_excel_file.xlsx", sheet_name="Sheet_2")

2. 方案一：布尔索引直接计算（最直观） #

先基于Sheet_2生成条件掩码，再用掩码筛选Sheet_1的目标列求和：

# 替换为你的实际条件值
some_value = 10
some_value_2 = 20

# 创建条件掩码：Sheet_2中满足条件的行标记为True
condition_mask = (sheet2["A"] > some_value) & (sheet2["B"] <= some_value_2)

# 筛选Sheet_1中对应行的D列并求和
total_sum = sheet1.loc[condition_mask, "D"].sum()

3. 方案二：合并后用df.query（延续你熟悉的用法） #

如果习惯用df.query()，可以先将两个表按行索引对齐合并，再执行查询求和：

# 按行索引合并两个表（保证行对齐）
combined_df = pd.concat([sheet1, sheet2], axis=1)

# 使用query筛选并求和
total_sum = combined_df.query("A > @some_value and B <= @some_value_2")["D"].sum()

特殊情况：工作表通过关联键匹配 #

如果两个工作表不是按行索引对齐，而是通过某个共同字段（比如ID）关联，需要先合并再计算：

# 按关联键合并两个表（假设共同键为"ID"）
merged_df = pd.merge(sheet1, sheet2, on="ID")

# 筛选条件并求和
total_sum = merged_df.query("A > @some_value and B <= @some_value_2")["D"].sum()

关键注意事项 #

• 若使用行对齐方式，必须确保Sheet_1和Sheet_2的行数完全一致，且每行是对应的记录，否则结果会出错。
• 若工作表有大量数据，建议避免使用整列（如Excel中的$D:$D），而是指定具体数据范围，提升Pandas运行效率。

内容的提问来源于stack exchange，提问作者Prashant Yadav