如何对多个列数一致、行数不同的动态DataFrame逐单元格叠加求和？

实现方案 #

所有动态生成的待求和DataFrame统一存入列表dfs，无需单独定义每个变量，完全适配动态场景。

前置依赖 #

import pandas as pd
import numpy as np

完整代码逻辑 #

# 自动计算所有输入表的最大行数，列数全表一致无需额外处理
max_rows = max(df.shape[0] for df in dfs)
col_count = dfs[0].shape[1]

# 初始化全零累加容器
total_arr = np.zeros((max_rows, col_count), dtype=np.float64)

# 逐表累加
for df in dfs:
    # 空值填充为0，避免NaN污染求和结果
    current_arr = df.fillna(0).values
    curr_rows, curr_cols = current_arr.shape
    # 仅累加当前表存在的区域，自动对齐物理位置
    total_arr[:curr_rows, :curr_cols] += current_arr

# 转换为最终DataFrame，列名沿用第一个输入表的列名
result = pd.DataFrame(total_arr, columns=dfs[0].columns)

逻辑说明 #

• 完全按物理位置逐单元格累加，和你提到的Result[1,1] = Table1[1,1] + Table2[1,1]对齐逻辑一致，不受原有行、列标签影响。
• 自动匹配最大尺寸，结果行数为所有输入表的最大行数，列数与输入表完全一致。
• 空值自动按0处理，仅累加对应位置存在的有效数据。
• 无硬编码内容，仅需将所有动态生成的表放入dfs列表即可直接复用。
  如果不需要保留原列名，仅按位置生成结果，可将最后一行简化为result = pd.DataFrame(total_arr)。

备选pandas原生实现 #

如果希望纯用pandas API完成逻辑，可使用functools.reduce迭代求和，结果与上述方案完全一致：

from functools import reduce

# 重置所有表的索引为位置索引，避免原有行标签干扰对齐逻辑
reset_dfs = [df.reset_index(drop=True) for df in dfs]
# 逐表累加，缺失单元格自动填0
result = reduce(lambda left, right: left.add(right, fill_value=0), reset_dfs)

内容的提问来源于stack exchange，提问作者LBZR