可以先按iloc选择，然后按sum选择：

df['Fruit Total']= df.iloc[:, -4:-1].sum(axis=1)
print (df)
   Apples  Bananas  Grapes  Kiwis  Fruit Total
0     2.0      3.0     NaN    1.0          5.0
1     1.0      3.0     7.0    NaN         11.0
2     NaN      NaN     2.0    3.0          2.0

对于所有列的总和，用途：

df['Fruit Total']= df.sum(axis=1)

这可能对初学者有帮助，所以为了完整性起见，如果你知道列名（例如，它们在列表中），你可以用途：

column_names = ['Apples', 'Bananas', 'Grapes', 'Kiwis']
df['Fruit Total']= df[column_names].sum(axis=1)

这给了你灵活性你使用哪些列，因为你只需要操作列表column_names，你可以做的事情，如只挑选列名称中的字母'a'。这样做的另一个好处是，它更容易让人们通过列名称理解他们在做什么。将此与list(df.columns)结合起来，以获得列表格式的列名称。因此，如果你想删除最后一列，你所要做的就是：

column_names = list(df.columns)
df['Fruit Total']= df[column_names[:-1]].sum(axis=1)

在不知道列数甚至不使用iloc的情况下也可以执行此操作：

print(df)
   Apples  Bananas  Grapes  Kiwis
0     2.0      3.0     NaN    1.0
1     1.0      3.0     7.0    NaN
2     NaN      NaN     2.0    3.0

cols_to_sum = df.columns[ : df.shape[1]-1]

df['Fruit Total'] = df[cols_to_sum].sum(axis=1)

print(df)
   Apples   Bananas Grapes  Kiwis   Fruit Total
0  2.0      3.0     NaN     1.0     5.0
1  1.0      3.0     7.0     NaN     11.0
2  NaN      NaN     2.0     3.0     5.0

在原始df上使用df['Fruit Total']= df.iloc[:, -4:-1].sum(axis=1)不会添加最后一列（'Kiwis '），您应该使用df.iloc[:, -4:]来选择所有列：

print(df)
   Apples  Bananas  Grapes  Kiwis
0     2.0      3.0     NaN    1.0
1     1.0      3.0     7.0    NaN
2     NaN      NaN     2.0    3.0

df['Fruit Total']=df.iloc[:,-4:].sum(axis=1)

print(df)
   Apples  Bananas  Grapes  Kiwis  Fruit Total
0     2.0      3.0     NaN    1.0          6.0
1     1.0      3.0     7.0    NaN         11.0
2     NaN      NaN     2.0    3.0          5.0

如果你想在不知道 Dataframe 的形状/大小的情况下得出总数，我想建立在Ramon的答案上。我将在下面使用他的答案，但修复一个不包括总数最后一列的项目。我已经从形状中删除了-1：

cols_to_sum = df.columns[ : df.shape[1]-1]

对此：
x一个一个一个一个x一个一个二个x
然后它会给出正确的总数，而不会跳过最后一列。

这可能是一个更容易解决的方法，并且它还将处理其他不需要的数据类型：

df['Fruit Total'] = df.sum(axis=1, numeric_only= True)

print(df)
   Apples   Bananas Grapes  Kiwis   Fruit Total
0  2.0      3.0     NaN     1.0     6.0
1  1.0      3.0     7.0     NaN     11.0
2  NaN      NaN     2.0     3.0     5.0