当我对 a 求和DataFrame时，它返回 a Series：
In [1]: import pandas as pd
In [2]: df = pd.DataFrame([[1, 2, 3], [2, 3, 3]], columns=['a', 'b', 'c'])
In [3]: df
Out[3]:
a b c
0 1 2 3
1 2 3 3
In [4]: s = df.sum()
In [5]: type(s)
Out[5]: pandas.core.series.Series
我知道我可以DataFrame通过 this构建一个新的Series。但是，还有更多“熊猫”的方式吗？
我要继续说......“不”，我认为没有直接的方法可以做到这一点，pandastic 方式（和 pythonic 也是）是明确的：
pd.DataFrame(df.sum(), columns=['sum'])
或者，更优雅地，使用字典（请注意，这会复制求和数组）：
pd.DataFrame({'sum': df.sum()})
正如@root 所说，它使用起来更快：
pd.DataFrame(np.sum(df.values, axis=0), columns=['sum'])
（正如python的禅宗所说：“实用胜过纯洁”，所以如果你在乎这个时间，就用这个）。
然而，也许最流行的方式就是使用系列！:)
.
一些%timeit小例子：
In [11]: %timeit pd.DataFrame(df.sum(), columns=['sum'])
1000 loops, best of 3: 356 us per loop
In [12]: %timeit pd.DataFrame({'sum': df.sum()})
1000 loops, best of 3: 462 us per loop
In [13]: %timeit pd.DataFrame(np.sum(df.values, axis=0), columns=['sum'])
1000 loops, best of 3: 205 us per loop
对于一个稍大的：
In [21]: df = pd.DataFrame(np.random.randn(100000, 3), columns=list('abc'))
In [22]: %timeit pd.DataFrame(df.sum(), columns=['sum'])
100 loops, best of 3: 7.99 ms per loop
In [23]: %timeit pd.DataFrame({'sum': df.sum()})
100 loops, best of 3: 8.3 ms per loop
In [24]: %timeit pd.DataFrame(np.sum(df.values, axis=0), columns=['sum'])
100 loops, best of 3: 2.47 ms per loop
通常不仅需要将列的总和转换为数据帧，还需要转置结果数据帧。为此还有一种方法：
df.sum().to_frame().transpose()
我不确定早期版本，但从 pandas 0.18.1 开始，可以使用pandas.Series.to_frame方法。
import pandas as pd
df = pd.DataFrame([[1, 2, 3], [2, 3, 3]], columns=['a', 'b', 'c'])
s = df.sum().to_frame(name='sum')
type(s)
>>> pandas.core.frame.DataFrame
该name参数是可选的，并定义列名。
df.sum().to_frame()应该做你想做的。
请参阅https://pandas.pydata.org/pandas-docs/stable/generated/pandas.Series.to_frame.html。
您可以agg用于简单的操作，例如sum，看看这是多么紧凑：
df.agg(['sum'])
通过DF.sum().to_frame()或将聚合结果直接存储到 Dataframe 不是一个健康的选择。更重要的是，当您想要单独存储聚合值和聚合总和时。使用 DF.sum().to_frame 将存储值并求和。
在下面尝试更清洁的版本。
a = DF.sum()
sum = list(a)
values = list(a.index)
Series_Dict = {"Agg_Value":values, "Agg_Sum":sum}
Agg_DF = pd.DataFrame(Series_Dict)