您可以对屏蔽值执行stack以删除不需要的数据，然后仅对前10个值执行groupby.sum：

cols = ['Q 36 Marks','Q 37 Marks', 'Q 50 Marks']
df['Score'] = (df[cols] # only required if you want to filter some columns
   .where(df.ne(0)).stack()
   .groupby(level=0).agg(lambda g: g.head(10).sum())
)

输出（仅分数列）：

0    10.0
dtype: float64

使用DataFrame.isin仅测试筛选列中的-1, 4值，通过DataFrame.cumsum测试获得第一个10，将不匹配值设置为DataFrame.where中的0，并将每行的最后一个求和：

cols = ['Q 36 Marks', 'Q 37 Marks', ..., 'Q 50 Marks']

df['Score'] = df[cols].where(df[cols].isin([-1,4]).cumsum(axis=1).le(10), 0).sum(axis=1)

如果需要处理所有列：

#here chain mask is not necessary, because sum of 0 is 0
df['Score'] = df.where(df.isin([-1,4]).cumsum(axis=1).le(10), 0).sum(axis=1)

如果需要更改条件，例如，仅-1值的求和解决方案发生更改：

m = df.eq(-1)
df['Score'] = df.where(m.cumsum(axis=1).le(10) & m, 0).sum(axis=1)

性能测试，此处为1500行：

np.random.seed(123)

df = pd.DataFrame(np.random.choice([-1,0,4], size=(1500, 15)))
df.columns=[f'Q {x+36} Marks' for x in df.columns]

In [153]: %timeit df['Score'] = df.where(df.isin([-1,4]).cumsum(axis=1).le(10), 0).sum(axis=1)
4.76 ms ± 699 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)

#mozway solution
In [154]: %timeit df['Score'] = df.where(df.ne(0)).stack().groupby(level=0).agg(lambda g: g.head(10).sum())
319 ms ± 5.6 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)