如何快速計算DataFrame的總和

一、使用pandas的sum()函數

對於一個DataFrame，可以使用sum()方法計算每一列的總和，如下所示：

import pandas as pd

df = pd.DataFrame({'A': [1, 2, 3], 'B': [4, 5, 6]})
sum_df = df.sum()

print(sum_df)

輸出結果：

A    6
B    15
dtype: int64

sum()方法默認將行向下的每個元素相加，然後返回每列的總和。也可以指定axis=1參數，將每行的元素相加。

sum_by_row = df.sum(axis=1)

print(sum_by_row)

輸出結果：

0     5
1     7
2     9
dtype: int64

二、使用numpy的sum()函數

使用numpy的sum()函數也可以計算DataFrame的總和。與pandas的sum()方法相比，numpy的sum()函數速度更快，尤其是在數據量較大時。

import pandas as pd
import numpy as np

df = pd.DataFrame({'A': [1, 2, 3], 'B': [4, 5, 6]})
sum_np = np.sum(df)

print(sum_np)

輸出結果：

21

sum()函數默認按照行向下計算所有元素的總和，並返回一個標量值。也可以通過指定axis參數，按列向右或者按行向下計算總和。

sum_by_column = np.sum(df, axis=0)

print(sum_by_column)

輸出結果：

A    6
B    15
dtype: int64

三、使用DataFrame的eval()方法

對於大量數據的DataFrame，使用上述方法可能會消耗大量的時間。Pandas提供了一個方便的eval()方法，用於快速對DataFrame進行計算。

import pandas as pd

df = pd.DataFrame({'A': [1, 2, 3], 'B': [4, 5, 6]})
result = df.eval('A+B')

print(result)

輸出結果：

0     5
1     7
2     9
dtype: int64

eval()函數解析給定的字符串表達式，並返回計算結果。在這個例子中，A和B是df的列名，使用+號將它們相加。

四、使用DataFrame的apply()方法

對於一些特定的計算，對每一行進行循環計算可能是最好的方式。

import pandas as pd

df = pd.DataFrame({'A': [1, 2, 3], 'B': [4, 5, 6]})

def row_sum(row):
    return row['A'] + row['B']

result = df.apply(row_sum, axis=1)

print(result)

輸出結果：

0     5
1     7
2     9
dtype: int64

apply()方法通過給定的函數處理DataFrame中的每一行或列，並返回計算結果。在這個例子中，我們定義了一個row_sum()函數，用於計算每一行中A和B列的總和。

五、使用Python原生的for循環

對於一些簡單的計算，也可以使用Python原生的for循環進行計算。

import pandas as pd

df = pd.DataFrame({'A': [1, 2, 3], 'B': [4, 5, 6]})

sum_all = 0
for i in range(len(df)):
    sum_all += df.iloc[i]['A'] + df.iloc[i]['B']

print(sum_all)

輸出結果：

21

通過使用Python原生的for循環，可以對DataFrame中的每一行進行循環，並計算總和。