如何通过列表批量累加多个Pandas DataFrame的对应值？

API 探路者

2026-5-28

批量累加多个DataFrame的高效实现方案

你可以用和批量merge类似的思路来实现多个DataFrame的数值累加，这里提供两种实用的方法，都能替代你原来的逐个add操作，而且可以轻松扩展到3个以上的DataFrame：

方法1：用`functools.reduce`实现（和批量merge逻辑对齐）

和你用reduce处理merge的思路完全一致，我们只需要把合并操作换成DataFrame的add方法，同时通过fill_value=0来处理缺失的行（避免缺失值变成NaN）：

步骤1：统一处理索引（更高效）

先给所有DataFrame设置共同的索引列，避免重复操作：

import pandas as pd
from functools import reduce

# 假设已经读取好data0、data1、data2
data_list = [df.set_index(['player_id', 'player_name']) for df in [data0, data1, data2]]

步骤2：用reduce批量累加

# 用reduce逐个累加所有DataFrame
final_data = reduce(lambda left, right: left.add(right, fill_value=0), data_list)

# 恢复索引并转换为整数类型（和你的需求对齐）
final_data = final_data.astype(int).reset_index()

如果你不想提前统一设置索引，也可以把索引操作放到reduce的lambda函数里（效率稍低，但代码更紧凑）：

data_list = [data0, data1, data2]
final_data = reduce(
    lambda left, right: left.set_index(['player_id', 'player_name'])
                           .add(right.set_index(['player_id', 'player_name']), fill_value=0)
                           .reset_index(),
    data_list
).astype(int)

方法2：用`concat` + `groupby`求和（更直观）

另一种更易读的方法是先把所有DataFrame纵向拼接，再按分组键求和，逻辑更清晰：

import pandas as pd

data_list = [data0, data1, data2]

# 拼接所有DataFrame
combined_df = pd.concat(data_list)

# 按player_id和player_name分组，对数值列求和
final_data = combined_df.groupby(['player_id', 'player_name']).sum().astype(int).reset_index()