Pandas如何实现累加求和操作_使用cumsum函数计算序列累计结果

说起来，Pandas 里 cumsum() 这个函数，看着简单，真用起来的时候，不少人都会在某些细节上“翻车”。比如，默认的累加方向到底是按列还是按行？碰到空值（NaN）怎么办？跟 groupby 组合起来又有什么门道？这些细节如果没搞清楚，跑出来的结果可能跟你预期的差之千里。这篇文章就把这些容易踩坑的地方掰扯清楚。

cumsum 在 DataFrame 中按列累加的默认行为

调用 cumsum() 时，Pandas 默认是沿着索引方向，也就是 axis=0，逐行往下累加的。什么意思？说白了，就是它会对每一列独立地做自己的累计和。这可不是你脑海里可能想象的那种“整张表从左到右”的横向累加，而是每一列在自己内部从上往下累积。

一个经常出现的误解是：不少人以为 df.cumsum() 的效果就像 Excel 里那个“横向拖拽”的累加，结果一看输出，发现每一列的数字好像都在自己跟自己算账，跟预想完全对不上。

所以，有几个关键点必须记住：

• 如果你想要按行累加（也就是在同一行内从左到右累计），必须显式地告诉 Pandas，指定 axis=1。
• 空值（NaN）是累加的“终结者”。只要当前列里遇到第一个 NaN，那它的累加就中断了，从此以后，这一列后面的所有结果都会是 NaN，不会跳过这个空值继续往下算。
• 累加需要数据本身支持加法运算。如果某一列是字符串，cumsum() 会尝试把它们拼接到一起（比如 ['a','b','c'] 会变成 ['a', 'ab', 'abc']），不过在大多数数据分析场景下，这应该不是你想要的。

处理含缺失值的 cumsum 结果

前面提到了，cumsum() 对 NaN 的态度非常强硬——它不是跳过，而是直接“污染”掉后面所有的计算结果。比如，第 3 行某一列是个 NaN，那么从第 3 行开始，这一列往后的所有累加值都会是 NaN，哪怕后面还有有效的数字，它也不认了。

那怎么办呢？一个常见的“偷懒”做法是先用 fillna 填充再算，但这往往会扭曲数据的原始含义。更稳妥的做法，是先把逻辑想清楚：

• 如果你的 NaN 代表“这里没有数据，不该参与累计”，那就可以先用 df.mask(df.isna(), 0) 把它替换成 0，然后再去累加。这样操作后，0 不会影响累计结果。
• 如果 NaN 代表的含义是“这个时间点事情没发生，累计应该暂停”，那就干脆保留原样，接受它带来的“截断”效果，这反而更符合逻辑。
• 值得注意的是，浮点型的列里，NaN 和 None 的行为是一样的。但整型列一旦掺入了 NaN，Pandas 会自动把整列的数据类型转换成 float64，这是它内部的类型推断机制，不算 bug，但需要你心里有数。

# 一个不够严谨的处理示例，仅作参考
df_filled = df.fillna(0)
cumsum_result = df_filled.cumsum()

cumsum 与 groupby 联合使用的关键限制

在分组后使用 cumsum()，比如 df.groupby('category').value.cumsum()，这个操作默认是按照组内的原始数据顺序来累加的，它**既不会重置索引，也不会帮你排序**。这意味着什么？

• 如果你的原始数据没有按照时间或序号排好序，那分组内部的累计顺序很可能就是乱的，结果自然也不对。
• groupby.cumsum() 返回的是一个 Series，它的索引和原始 DataFrame 是对齐的。所以，你可以直接把它赋值给新的一列，完全不需要再去做一次 merge 操作。
• 千万别把它用到 agg() 函数里。因为 cumsum 本质上是窗口操作，不是聚合函数。如果你写成 .agg({'value': 'cumsum'})，Pandas 会直接报错，告诉你 Function does not reduce。
• 跨组连续累加？不存在的。每个组都是从零开始，独立计算自己的累计，组和组之间没有任何继承关系。

性能差异：cumsum vs 手写循环 vs numpy.cumsum

咱们聊聊性能。如果你用纯 Python 循环自己写一个累加逻辑，那速度跟 cumsum() 比，可能会慢上两到三个数量级。特别是数据行数超过一万行的时候，体感上的卡顿会非常明显。至于 numpy.cumsum()，它在处理单列数据时会比 Pandas 版本快上那么一点点（大约 5% 到 10%），但代价是你失去了 Pandas 提供的索引对齐、数据类型自动处理等一系列便捷功能。

真正影响性能的，往往不是函数本身，而是链式操作中那些不易察觉的隐式拷贝。比如：

• 尽量避免像 df[['A','B']].cumsum().assign(C=lambda x: x.A + x.B) 这样的操作，它会在背后产生多次视图或副本。
• 数据量比较大的时候，优先使用 df.loc[:, ['A', 'B']].cumsum() 来显式切片，这比使用布尔索引要快得多。
• 如果你只需要计算某一列的结果，那就只对那一列调用 cumsum()，别图省事对整个 DataFrame 调用。即使你其他列里全是 int8 类型的数据，Pandas 依然会为它们全部分配临时内存，白白消耗资源。

还有两个容易被忽略的边界情况：当你的列名里包含了空格或者特殊字符时，像 df.col_name.cumsum() 这种点号引用方式会直接失效，必须改用 df['col name'].cumsum()。另外，cumsum() 函数本身不支持 skipna 参数（不要拿它跟 sum() 函数类比，因为没有这个开关），记牢这一点，能省掉很多排查问题的时间。