迭代具有相同结构的熊猫数据帧的字典的最佳方法，以生成一个具有每个（行，列）元素总和的数据帧？

Question

我有一个 pandas dict，d1，其中每个值是一个两列（ID 和权重）、100 行数据框。

我想遍历字典，对于每个数据帧，我想对第 n 行中的所有“权重”值求和，其中 n 是代表该行的 1 到 100 之间的值。然后我想将输出写入另一个字典 d2，其中键为 1-100，值是值的总和。

示例 d1 值数据框：

ID    Weight
1     0.021
2     0.445
3     1.018
..
..
..
99    77.31
100   234.04

基本上，假设我有 10000 个这样的数据帧，我想将 ID 1 的所有权重值加到 10000 中，然后将 ID 2 的所有权重值加到 10000 中，依此类推，直到 ID 100。

我有一个解决方案，基本上是一个嵌套循环。它起作用了，它会起作用的。但是，我真的很想扩展我的基本 pandas / numpy 知识，我想知道是否有更 Python 的方式来做到这一点？

我现有的代码：

for i in range (1,101):
    tot = 0
    for key, value in d1.items():
        tot = tot + value.at[i,'Weight']
    d2[i] = tot

非常感谢任何帮助和建议！

Answer 1

你可以使用pandas添加功能：

#create a zero filled dataframe
df = pd.DataFrame(0, index=np.arange(len(df1)), columns=df1.columns)
#iterate through dict and add values to df
for value in d1.values():
  df = df.add(value)

您可以通过df_i = df_i.set_index('ID') 将ID 设置为索引，然后将它们全部相加，这样就只添加权重，最后添加df=df.reset_index()。 示例：

df1 = pd.DataFrame([(1,2),(3,4),(5,6)], columns=['ID','Weight'])
   ID  Weight
0   1       2
1   3       4
2   5       6

df2 = pd.DataFrame([(10,20),(30,40),(50,60)], columns=['ID','Weight'])
   ID  Weight
0  10      20
1  30      40
2  50      60

df3 = pd.DataFrame([(100,200),(300,400),(500,600)], columns=['ID','Weight'])
    ID  Weight
0  100     200
1  300     400
2  500     600

d1 = {'df1':df1,'df2':df2,'df3':df3}
df = pd.DataFrame(0, index=np.arange(len(df1)), columns=df1.columns)
print(df)
for value in d1.values():
  df = df.add(value)

df:

    ID  Weight
0  111     222
1  333     444
2  555     666