Pandas.Series.sum() 求和 详解 含代码 含测试数据集 随Pandas版本持续更新

关于Pandas版本： 本文基于 pandas2.2.0 编写。

关于本文内容更新： 随着pandas的stable版本更迭，本文持续更新，不断完善补充。

传送门： Pandas API参考目录

传送门： Pandas 版本更新及新特性

传送门： Pandas 由浅入深系列教程

Pandas.Series.sum()

Pandas.Series.sum 方法用于返回 Series 所有元素的和。

• 字符串求和，相当于字符串拼接。^例2-1

计算公式：

• Pandas求和计算公式：

  ${\sum }_{i=0}^{n-1}{x}_i$

  $n$ 表示数值的总个数，$i$ 表示起始索引下标，$x$ 表示求和数值所在数组。

• 计算过程：

  • ${\sum }_{i=0}^{n-1}{x}_i=x_0+x_1+x_2+...+x_n$

语法：

DataFrame.sum(axis=0, skipna=True, numeric_only=False, min_count=0, **kwargs)

返回值：

• scalar

参数说明：

axis 指定计算方向

• axis : {0 or ‘index’}

  axis 参数，用于指定计算方向，即按行计算或按列计算求和：

  • 对于 Series 此参数无效，将始终保持 axis=0，即计算整列的求和。^例1

  ⚠️ 注意 :

  axis=None 已于弃用。

✅ 新增于 Pandas 2.0.0 : axis 参数，新增于Pandas 2.0.0 版本。

skipna 忽略缺失值

• skipna : bool, default False >

  skipna 参数，用于指定求求和的时候是否忽略缺失值：

  • False： 不忽略缺失值。
    • 缺失值 ，在求和的时候，会被解析为浮点数 float 0.0。
    • 当字符串和缺失值混合时，会报错！TypeError。 ^例2-2
  • True: 忽略缺失值。

  ⚠️ 注意 :

  如果整行或整列，都是缺失值，那么求和结果是0,因为在 DataFrame.sum 方法中，缺失值会被解析为 浮点数0.0 ^例3

min_count 有效数值数量

• min_count : int, default 0

  min_count 参数，用于指定执行操作所需的有效值数量。如果存在的非 NA 值少于 min_count，则结果将为 NA。^例4

**kwargs 关键字参数

• kwargs
  kwargs 参数，是为了保持与 Numpy 的兼容性而保留的参数，一般不需要传递任何内容。

相关方法：

➡️ 相关方法

---

• Series.min

  最小值

• Series.max

  最大值

• Series.idxmin

  最小值索引

• Series.idxmax

  最大值索引

• DataFrame.sum

  求和

• DataFrame.min

  最小值

• DataFrame.max

  最大值

• DataFrame.idxmin

  最小值索引

• DataFrame.idxmax

  最大值索引

示例：

测试文件下载：

本文所涉及的测试文件，如有需要，可在文章顶部的绑定资源处下载。

若发现文件无法下载，应该是资源包有内容更新，正在审核，请稍后再试。或站内私信作者索要。

测试文件下载位置

例1：Series 始终保持 axis=0，即计算Series的求和。

import numpy as np
import pandas as pd

s = pd.Series([24.0, np.nan, 21.0, 33, 26], name="age")
s.sum()

104.0

例2：可以都是字符串类型的数据，字符串支持求求和。但是，如果和数值类型的数据混在一起，会报错！

例2-1、全是字符串是可以求求和的(相当于字符串拼接)

import numpy as np
import pandas as pd

s = pd.Series(["一", "二", "你"])
s.sum()

'一二你'

例2-2、字符串类型的Series如果存在缺失值（NaN） 会报错

import numpy as np
import pandas as pd

s = pd.Series(["一", "二", np.nan, "你"])
s.sum()

例3：都是缺失值，那么求和结果是0.0。

import numpy as np
import pandas as pd

s = pd.Series([np.nan, np.nan])

s.sum()

0.0

例4：控制有效值数量

如果不限制有效值数量，即便存在缺失值(NaN),也会被解析为浮点数0.0

pd.Series([np.nan]).sum()

0.0

限制了有效值数量，如果存在的非 NA 值少于 min_count，则结果将为 NA

pd.Series([np.nan]).sum(min_count=1)

nan