Pandas：以Pythonic方式通过多DataFrame列求和生成新DataFrame

安全阿岳

2026-5-15

问题描述

假设我们有两个DataFrame：

import pandas as pd

df1 = pd.DataFrame({'a': [3, 1], 'b': [4, 3]}, index=['z', 'x'])
# df1输出：
#    a  b
# z  3  4
# x  1  3

df2 = pd.DataFrame({'a': [4, 6], 'b': [8, 1], 'c': ['v', None]}, index=['行1', '行2'])
# df2输出：
#      a  b     c
# 行1  4  8     v
# 行2  6  1  None

我们需要生成一个新的DataFrame df3，它的行索引为['b','n']，其中：

行b的a、b列值是df1对应列的求和结果
行n的a、b列值是df2对应列的求和结果

最终df3应该是这样的：

a  b
b   4  7
n  10  9

目前已知可以手动计算求和值后创建df3：

df3 = pd.DataFrame([[4,7],[10,9]], columns=['a','b'], index=['b','n'])

想问有没有更Pythonic的方式，不用硬编码数值，而是通过单个函数/迭代高效生成这个DataFrame？

解决方案

当然有！我们可以直接利用pandas的内置方法，避免手动输入计算结果，让代码更简洁、易维护，还能自动适配原DataFrame的数据变化。

方法1：直接构造DataFrame

分别获取两个原DataFrame指定列的求和结果，直接传入pd.DataFrame构造函数，同时指定索引和列名：

# 提取需要的列并求和，直接构造新DataFrame
df3 = pd.DataFrame(
    [df1[['a', 'b']].sum(), df2[['a', 'b']].sum()],
    index=['b', 'n'],
    columns=['a', 'b']
)

方法2：用concat合并后转置

如果后续需要添加更多DataFrame的求和行，这种方式扩展性更强：先把多个求和的Series收集起来，用pd.concat合并后转置，再设置索引：

# 收集所有需要求和的结果
sum_results = [df1[['a', 'b']].sum(), df2[['a', 'b']].sum()]
# 合并Series并转置，设置索引
df3 = pd.concat(sum_results, axis=1).T.set_axis(['b', 'n'], axis=0)

这两种方法的优势在于：