pandas使用apply时按列名范围索引求和触发IndexingError如何解决

你的推测完全正确。df.apply(func, axis=1)逐行运算时，传入自定义函数的参数x是一维Series，索引就是原DataFrame的列名，仅存在一个维度，你用x.loc[:,'a':'b']这种二维索引写法，传入了行、列两个索引参数，自然会触发Too many indexers报错。

如果要保留apply写法实现按列名范围求和，直接对单行Series做切片求和即可，不需要加.loc也不需要指定axis参数：

# 修正后的b月末库存计算函数
def b_stock(x):
    total = x['A1'] + x['a':'b'].sum()
    return 0 if x['A2'] > total else total

df['stock_on_b'] = df.apply(b_stock, axis=1)

如果需要同时计算b、c、d三个月的库存，不用重复写三个函数，可以封装成通用函数，传入截止月份即可：

def cal_month_end_stock(x, end_month):
    total_available = x['A1'] + x['a':end_month].sum()
    return max(0, total_available - x['A2'])

# 批量生成三个月份的库存列
for month in ['b', 'c', 'd']:
    df[f'stock_on_{month}'] = df.apply(cal_month_end_stock, axis=1, end_month=month)

用pandas向量化的累计求和函数cumsum实现，运算效率远高于逐行apply：

# 先计算a到d列逐列的累计和
month_cum = df.loc[:, 'a':'d'].cumsum(axis=1)
# 用clip方法直接把小于0的结果置为0
df['stock_on_b'] = (df['A1'] + month_cum['b'] - df['A2']).clip(lower=0)
df['stock_on_c'] = (df['A1'] + month_cum['c'] - df['A2']).clip(lower=0)
df['stock_on_d'] = (df['A1'] + month_cum['d'] - df['A2']).clip(lower=0)

注意：你示例中给出的冗余写法重复加了两次x['A1']，属于书写错误，上述代码已经修正了该逻辑，和你给出的库存计算公式完全匹配。

内容的提问来源于stack exchange，提问作者Jonas Palačionis