一、算术运算

对 DataFrame 列或元素进行基础数学操作，支持列与列、列与标量运算：

表格

运算类型	示例代码	说明
列间加法	df['C1'] + df['C2']	对应位置元素相加
列间减法	df['C1'] - df['C2']	对应位置元素相减
列与标量运算	df['C1'] + 2	列中每个元素与标量运算

---

二、比较运算

通过比较运算符生成布尔值，常用于数据筛选：

表格

运算类型	示例代码	说明
列间比较	df['C1'] < df['C2']	逐元素比较，返回布尔 Series

---

三、汇总运算

1. 计数（count）

统计非空元素个数，支持按行 / 列统计：

表格

统计方式	示例代码	说明
列计数	df.count()	默认按列统计非空元素个数
行计数	df.count(axis=1)	按行统计非空元素个数
单列计数	df['C1'].count()	统计指定列非空元素个数
单行计数	df.loc['S1'].count()	统计指定行非空元素个数

---

2. 求和（sum）

对数据进行求和运算，支持按行 / 列 / 指定维度：

表格

求和方式	示例代码	说明
列求和	df.sum()	默认按列求和
行求和	df.sum(axis=1)	按行求和
单列求和	df['C1'].sum()	对指定列求和
单行求和	df.loc['S1'].sum()	对指定行求和

---

3. 平均值（mean）

计算数据的算术平均值，支持按行 / 列 / 指定维度：

表格

求平均方式	示例代码	说明
列平均	df.mean()	默认按列求平均
行平均	df.mean(axis=1)	按行求平均
单列平均	df['C1'].mean()	对指定列求平均
单行平均	df.loc['S1'].mean()	对指定行求平均

---

4. 最大值（max）

获取数据中的最大值，支持按行 / 列 / 指定维度：

表格

求最大方式	示例代码	说明
列最大	df.max()	默认按列取最大值
行最大	df.max(axis=1)	按行取最大值
单列最大	df['C1'].max()	对指定列取最大值
单行最大	df.loc['S1'].max()	对指定行取最大值

---

5. 最小值（min）

获取数据中的最小值，支持按行 / 列 / 指定维度：

表格

求最小方式	示例代码	说明
列最小	df.min()	默认按列取最小值
行最小	df.min(axis=1)	按行取最小值
单列最小	df['C1'].min()	对指定列取最小值
单行最小	df.loc['S1'].min()	对指定行取最小值

---

6. 中位数（median）

计算数据的中位数（需先排序），支持按行 / 列 / 指定维度：

表格

求中位数方式	示例代码	说明
列中位数	df.median()	默认按列求中位数
行中位数	df.median(axis=1)	按行求中位数
单列中位数	df['C1'].median()	对指定列求中位数
单行中位数	df.loc['S1'].median()	对指定行求中位数

---

7. 众数（mode）

获取数据中出现频率最高的值，支持按行 / 列 / 指定维度：

表格

求众数方式	示例代码	说明
列众数	df.mode()	默认按列求众数
行众数	df.mode(axis=1)	按行求众数
单列众数	df['C1'].mode()	对指定列求众数

---

8. 方差（var）

衡量数据离散程度，支持按行 / 列 / 指定维度：

表格

求方差方式	示例代码	说明
列方差	df.var()	默认按列求方差
行方差	df.var(axis=1)	按行求方差
单列方差	df['C1'].var()	对指定列求方差

---

9. 标准差（std）

方差的平方根，衡量数据离散程度，支持按行 / 列 / 指定维度：

表格

求标准差方式	示例代码	说明
列标准差	df.std()	默认按列求标准差
行标准差	df.std(axis=1)	按行求标准差
单列标准差	df['C1'].std()	对指定列求标准差
单行标准差	df.loc['S1'].std()	对指定行求标准差

---

10. 分位数（quantile）

计算数据的分位数，常用于描述数据分布：

表格

求分位数方式	示例代码	说明
四分之一分位数	df.quantile(0.25)	按列求 25% 分位数
四分之三分位数	df.quantile(0.75)	按列求 75% 分位数
单列分位数	df['C1'].quantile(0.25)	对指定列求分位数
单行分位数	df.loc['S1'].quantile(0.75)	对指定行求分位数

---

四、核心避坑点

1. 维度一致性：列间运算需保证索引对齐，否则会产生 NaN。
2. 缺失值处理：汇总运算默认忽略 NaN，可通过 skipna=False 强制包含。
3. axis 参数：axis=0 表示按列操作，axis=1 表示按行操作，切勿混淆。
4. 众数特性：若存在多个众数，mode() 会返回所有众数，而非单一值。

---

总结

本文系统梳理了 Pandas 中数据运算的核心操作，涵盖算术运算、比较运算和汇总运算三大模块。通过结构化的代码示例和清晰的说明，帮助读者快速掌握数据运算的常用方法，提升数据分析效率。可直接作为个人笔记或发布到 CSDN 等平台，方便日后查阅与复用。