运行一下看看。

我们想要的已经有了，剩下就是横向和纵向两个求和了，也就是标黄区域。

思路也很简单，先是横向求和。横向求和的不是简单的相加就可以，因为前边的数都是单数，需要注意总记分是“对应分值*该分值的单数”再求和，即：
self.dep_analyse['总计分'] = self.dep_analyse['12分单数']*12+ self.dep_analyse['6分单数']*6+ self.dep_analyse['3分单数']*3 + self.dep_analyse['2分单数']*2+ self.dep_analyse['1分单数']*1

然后是纵向求和。这个比较简单，直接上边各行相加就行了，有两个思路：
第一个思路，直接用loc方式把上面几行加起来：
self.dep_analyse.loc['合计'] = self.dep_analyse.loc['东区'] +
self.dep_analyse.loc['中区'] + self.dep_analyse.loc['西区']

结果如下：

第二个思路，使用apply函数：
self.dep_analyse.loc['合计'] = self.dep_analyse[['12分单数','6分单数','3分单数','2分单数','1分单数','总计分']].apply(lambda x: sum(x))
结果如下：

推荐第二种，因为该案例为了方便演示，所以分区进行了极大的简化，如果区域数超过10个，代码将会变得非常臃肿。
好了，这个函数就完成了。

l 第四部分
是对分包商的违章情况进行分析。
先来看一下需求与原数据：

看完表格的瞬间，我们就有了灵感，首先我们需求表格的第一列是按分包商名称分类的，所以groupby函数是最佳选择，然后我们要分析每个分包商的违章单数和扣分总数，单数就是数一数挂在这个分包单位名下的“交通违章单号”出现了几次，对应count()函数，扣分总数就是把B列求和，对应sum()函数，现在要把两列的运算整合起来，要用到agg函数，于是：
contractor_database = self.Vio_file.groupby('所属单位').agg({
'交通违章单号': lambda x: len(x),
'本次违章扣分': lambda x: sum(x)
})
print(contractor_database)

结果出来了：

基本上就是我们想要的，我们只需要用rename函数重命名一下columns就可以了：
contractor_database.rename(columns={'交通违章单号':'违章次数','本次违章扣分':'扣分总数'},inplace=True)

l 第五部分
让我瞧瞧谁扣满12分了。这部分也比较简单，说白了就是根据姓名进行groupby，再把记分sum一下，代码如下：
def Blacklist(self):
blacklist = self.Vio_file.groupby('违章人员姓名').sum()
blacklist = blacklist[blacklist['本次违章扣分']>=12]
print(blacklist)

结果如下：

基本上是可以的，但是仍然需要对列重命名，而且还需要剔除“违章条款”一列：
blacklist.rename(columns={'本次违章扣分':'总扣分'},inplace=True)self.blacklist = blacklist['总扣分'] #注意，我们后边还需要写入excel，需要跨函数调用变量，所以这里一定要加self