如何高效计算列表中每个DataFrame指定列的求和值？

1. 先修正基础代码的错误 #

你写的df['A'].sum只是引用了求和方法，没有执行计算，所以返回的是方法对象列表。改成下面这样就能得到正确的求和值：

total = [df['A'].sum() for df in dfs]

2. 针对大规模重复操作的提速方案 #

因为要重复数千次这个操作，下面几种方法能帮你大幅提升效率：

方法一：提前绑定求和方法，减少属性查找开销 #

把pd.Series.sum方法提前存起来，避免每次循环都重复查找df['A'].sum：

sum_func = pd.Series.sum
total = [sum_func(df['A']) for df in dfs]

这种小改动在大量循环时能累积出不少时间优势。

方法二：合并DataFrame后批量计算（最适合结构完全相同的场景） #

既然所有DataFrame结构一致，直接合并成大表后用groupby批量求和，利用pandas的向量化操作，比循环快得多：

# 给每个DF加个来源标记，然后合并
combined = pd.concat([df.assign(source_idx=i) for i, df in enumerate(dfs)], ignore_index=True)
# 按来源分组求和，转成列表
total = combined.groupby('source_idx')['A'].sum().tolist()

如果每个DF的数据量不小，这种方式的性能优势会非常明显。

方法三：直接操作numpy数组求和 #

如果列'A'是数值型，直接提取numpy数组再求和，numpy的底层实现是C，速度比pandas Series的求和更快：

total = [df['A'].values.sum() for df in dfs]

这种方式适合对性能极致要求的场景。

性能优先级参考 #

在大规模数据场景下，速度从快到慢大致是：合并后groupby求和 > numpy数组求和 > 提前绑定方法的列表推导 > 基础列表推导，你可以根据自己的数据集规模选最合适的方式。

内容的提问来源于stack exchange，提问作者keenan