您可以调用apply，将axis=1按行传递到apply，然后将dtype转换为str和join：

In [153]:
df['ColumnA'] = df[df.columns[1:]].apply(
    lambda x: ','.join(x.dropna().astype(str)),
    axis=1
)
df

Out[153]:
  Column1  Column2  Column3  Column4  Column5  ColumnA
0       a        1        2        3        4  1,2,3,4
1       a        3        4        5      NaN    3,4,5
2       b        6        7        8      NaN    6,7,8
3       c        7        7      NaN      NaN      7,7

这里我调用dropna来去掉NaN，但是我们需要再次强制转换为int，这样我们就不会把float作为str。

我建议使用.assign

df2 = df.assign(ColumnA = df.Column2.astype(str) + ', ' + \
  df.Column3.astype(str) + ', ' df.Column4.astype(str) + ', ' \
  df.Column4.astype(str) + ', ' df.Column5.astype(str))

它很简单，也许很长，但对我很有效

如果您有很多列，比如说 Dataframe 中有1000列，并且您希望基于particular column name合并几列，例如，正在讨论的-Column2和该列之后的任意列数（例如，这里是'Column2之后的3列，包括OP要求的Column2）。
我们可以使用.get_loc()得到列的位置-答案为here

source_col_loc = df.columns.get_loc('Column2') # column position starts from 0

df['ColumnA'] = df.iloc[:,source_col_loc+1:source_col_loc+4].apply(
    lambda x: ",".join(x.astype(str)), axis=1)

df

Column1  Column2  Column3  Column4  Column5  ColumnA
0       a        1        2        3        4  1,2,3,4
1       a        3        4        5      NaN    3,4,5
2       b        6        7        8      NaN    6,7,8
3       c        7        7      NaN      NaN      7,7

要删除NaN，请使用.dropna()或.fillna()
希望能有所帮助!

apply（）比agg（）慢100倍

不要使用apply，因为它的伸缩性不好。请改用df.agg()。使用apply（）将花费几秒钟，但agg（）将花费几毫秒（ms）。

下面是一个例子：

import numpy as np
import pandas as pd

def createList(r1, r2):
    return np.arange(r1, r2+1, 1)

sample_data = createList(1, 100_000) # a list of 100,000 values

test_df = pd.DataFrame(
    [sample_data]
)

test_df.apply(lambda x: ','.join(x.astype(str))) #3.47 s ± 24.5 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)

test_df.astype(str).agg(', '.join, axis=1) #34.8 ms ± 407 µs per loop (mean ± std. dev. of 7 runs, 10 loops each)

从这个示例中可以看到，apply（）平均花费了3.47秒，而agg（）平均花费了34.8毫秒，随着数据的增加，性能上差距会越来越大。

• 注意，我使用jupyter notebook中的%%timeit来获取每个方法的运行时间。