for ts_code in ths_index_list: #行业分类到个股行业表格 industry = pd.read_sql_table(table_name= ts_code, con=con2) industry_member_list = industry['code'].tolist() for code in industry_member_list:#各个行业到行业内部所有股票 try:#解决member未更新退市股数据，在moneyflow查找无表格报错----------------------OK stock_daily = pd.read_sql('SELECT ts_code, trade_date, net_mf_amount FROM `{}`'.format(code), con=con6) #############需要解决 不同股票交易时间数不一致，筛选的时间早但表格无这个时间怎么解决 以及 交易时间存在，但停牌无数据null处理问题 # df_sum = stock_daily.groupby('trade_date')['net_mf_amount'].sum().reset_index() except : pass 最内层的for循环，对每个股票的net列 按照 trade_date列的时间顺序 累加 输出结果为 trade_date列 和 总和，总和指的是相同时间不同股票net值相加

根据你的描述，你想在最内层的循环中，对每个股票的"net_mf_amount"列按照"trade_date"列的时间顺序进行累加，并输出结果包含"trade_date"列和对应时间点的总和。以下是一个示例代码来实现这个逻辑：

import pandas as pd

result = pd.DataFrame() # 创建一个空的DataFrame用于保存结果

for ts_code in ths_index_list:
    industry = pd.read_sql_table(table_name=ts_code, con=con2)
    industry_member_list = industry['code'].tolist()
    
    for code in industry_member_list:
        try:
            stock_daily = pd.read_sql('SELECT ts_code, trade_date, net_mf_amount FROM `{}`'.format(code), con=con6)
            
            # 按照时间顺序对net_mf_amount进行累加
            df_sum = stock_daily.groupby('trade_date')['net_mf_amount'].sum().reset_index()
            
            # 合并结果到总的DataFrame中
            result = pd.concat([result, df_sum], ignore_index=True)
        except:
            pass

# 打印结果
print(result)

这段代码将在最内层的循环中，使用`groupby`方法按照"trade_date"列对"net_mf_amount"进行分组，并计算每个日期对应的总和。然后，将每个股票的结果合并到总的DataFrame中。最后，打印出结果。

请注意，这只是一个示例代码，具体实现可能需要根据你的数据结构和需求进行调整。如果你有具体的问题或需要更多的帮助，请告诉我。