pandas按指定列组沿行(axis=1)求和循环生成汇总列的实现

原代码的错误点 #

DataFrame.sum()方法本身没有columns这个传入参数，无法直接在求和方法里指定需要计算的列范围。正确的实现逻辑是先筛出对应列的子集，再对这个子集执行行向求和。

基础可运行版本（匹配你的需求） #

完全对应「遍历二维列表、逐次生成trial0/trial1命名的求和列」的逻辑，修正后的代码如下：

import pandas as pd

# 初始化原DataFrame
base_columns = ['A','B','C','D','E','F','G','H','I','J','K','L','M','N','O','P','Q','R']
df = pd.DataFrame(columns=base_columns)

sample_list = [['A','B','C'], ['D','E','F'], ['G','H','I'], ['J','K','L'], ['M','N','O'], ['P','Q','R']]

for idx, col_group in enumerate(sample_list):
    # 先筛选当前组对应的所有列，再做行向求和
    df[f'trial{idx}'] = df[col_group].sum(axis=1)

代码运行逻辑说明：

• 逐次遍历sample_list的每个子列表，用df[col_group]取出当前子列表指定的列组成临时数据块
• 对临时数据块执行sum(axis=1)，即可得到每行上这几列的求和结果，赋值给命名规则为trial{编号}的新列

高性能优化版本 #

如果你的分组数量达到上百个、且原DataFrame行数较多，逐列赋值的循环会产生不必要的性能损耗，可以通过字典批量构造新列再一次性合并，运行速度会有明显提升：

# 批量构造所有新列的键值对
new_col_map = {}
for idx, col_group in enumerate(sample_list):
    new_col_map[f'trial{idx}'] = df[col_group].sum(axis=1)

# 一次性合并所有新列到原DataFrame
df = pd.concat([df, pd.DataFrame(new_col_map)], axis=1)

常见问题提示 #

• 如果子列表里的列名不在原df的列范围内，会直接触发KeyError，建议正式运行前先做一次列名匹配校验
• 如果需要处理空值场景，可以在sum方法中加入min_count=1参数，避免全空的列组求和结果被默认填充为0，用法为df[col_group].sum(axis=1, min_count=1)
• 用空结构的DataFrame测试这段代码时，由于没有实际数值行，生成的trial列会是空值，属于正常现象，替换为实际业务数据后即可正常计算求和结果

内容的提问来源于stack exchange，提问作者Shion