按日期索引对多个DataFrame的数值列进行求和合并

这事儿在pandas里其实挺容易实现的，既然你的所有DataFrame日期完全对齐，这里给你几种实用的办法：

方法1：直接相加（适合少数几个DataFrame） #

如果只有2-3个DataFrame，直接相加是最直观的，pandas会自动按date列对齐数据：

首先我们先模拟你的数据：

import pandas as pd

# 第一个DataFrame
data1 = {
    'date': ['2020-11-06 10:00:00', '2020-11-06 11:00:00', '2020-11-06 12:00:00'],
    'val1': [0.5, 1.5, 4.5],
    'val2': [1.0, 1.3, 1.2],
    'val3': [1.1, 0.1, 2.1],
    'val4': [1.2, 1.3, 5.2]
}
df1 = pd.DataFrame(data1)

# 第二个DataFrame
data2 = {
    'date': ['2020-11-06 10:00:00', '2020-11-06 11:00:00', '2020-11-06 12:00:00'],
    'val1': [1.5, 2.5, 5.5],
    'val2': [2.0, 2.3, 2.2],
    'val3': [2.1, 1.1, 3.1],
    'val4': [2.2, 2.3, 6.2]
}
df2 = pd.DataFrame(data2)

然后执行相加操作，为了确保对齐更稳妥，可以先把date设为索引：

# 将date设为索引
df1_indexed = df1.set_index('date')
df2_indexed = df2.set_index('date')

# 直接相加
result = df1_indexed + df2_indexed

# 把索引变回列（如果需要保留date作为普通列的话）
result = result.reset_index()

方法2：Concat + Groupby（适合大量DataFrame） #

如果你有很多个DataFrame（比如5个以上），把它们放进列表后用concat合并，再按date分组求和会更高效：

# 把所有DataFrame放进一个列表
df_list = [df1, df2]  # 可以继续添加更多df，比如df3、df4...

# 合并所有DataFrame
combined = pd.concat(df_list)

# 按date分组求和，然后恢复date为列
result = combined.groupby('date').sum().reset_index()

方法3：使用pd.sum()函数 #

还有一种更简洁的方式，直接用pandas的sum函数传入所有DataFrame的列表，同样能实现求和：

# 先把每个df的date设为索引，再传入sum函数
indexed_dfs = [df.set_index('date') for df in [df1, df2]]
result = pd.sum(indexed_dfs, axis=0).reset_index()

最终结果 #

不管用哪种方法，你都会得到想要的求和结果：

内容的提问来源于stack exchange，提问作者Denver Dang