一、使用pandas的sum()函数
对于一个DataFrame，可以使用sum()方法计算每一列的总和，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)
输出结果：
A 6
B 15
dtype: int64
sum()方法默认将行向下的每个元素相加，然后返回每列的总和。也可以指定axis=1参数，将每行的元素相加。
sum_by_row = df.sum(axis=1)
print(sum_by_row)
输出结果：
0 5
1 7
2 9
dtype: int64
二、使用numpy的sum()函数
使用numpy的sum()函数也可以计算DataFrame的总和。与pandas的sum()方法相比，numpy的sum()函数速度更快，尤其是在数据量较大时。
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)
输出结果：
21
sum()函数默认按照行向下计算所有元素的总和，并返回一个标量值。也可以通过指定axis参数，按列向右或者按行向下计算总和。
sum_by_column = np.sum(df, axis=0)
print(sum_by_column)
输出结果：
A 6
B 15
dtype: int64
三、使用DataFrame的eval()方法
对于大量数据的DataFrame，使用上述方法可能会消耗大量的时间。Pandas提供了一个方便的eval()方法，用于快速对DataFrame进行计算。
import pandas as pd
df = pd.DataFrame({'A': [1, 2, 3], 'B': [4, 5, 6]})
result = df.eval('A+B')
print(result)
输出结果：
0 5
1 7
2 9
dtype: int64
eval()函数解析给定的字符串表达式，并返回计算结果。在这个例子中，A和B是df的列名，使用+号将它们相加。
四、使用DataFrame的apply()方法
对于一些特定的计算，对每一行进行循环计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)
输出结果：
0 5
1 7
2 9
dtype: int64
apply()方法通过给定的函数处理DataFrame中的每一行或列，并返回计算结果。在这个例子中，我们定义了一个row_sum()函数，用于计算每一行中A和B列的总和。
五、使用Python原生的for循环
对于一些简单的计算，也可以使用Python原生的for循环进行计算。
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)
输出结果：
21
通过使用Python原生的for循环，可以对DataFrame中的每一行进行循环，并计算总和。
