现在位置: 首页 > Pandas 教程 > 正文

Pandas Series.cumsum() 函数

Pandas 常用函数 Pandas 常用函数

Series.cumsum() 是 Pandas 中用于计算 Series 累计和的函数。累计和是指从第一个元素开始，每个位置的值等于该位置之前所有元素之和（包括当前元素）。

累计和在金融数据分析（如计算累计收益）、销售分析（如计算累计销售额）、时间序列分析等场景中经常使用。

基本语法与参数

cumsum() 是 Series 对象的成员函数，直接通过点运算符调用。

语法格式

Series.cumsum(axis=None, skipna=True, dtype=None, out=None, **kwargs)

参数说明

参数 类型 说明 默认值
axis int 指定轴向，Series 只有一列，此参数主要为了与 DataFrame 兼容。 None
skipna bool 如果为 True，在计算时跳过 NaN 值；如果为 False，遇到 NaN 会中断累计。 True
dtype dtype 指定输出数据类型。 None
out ndarray 用于存储结果的数组，通常不需要设置。 None

返回值

  • 返回类型：Series
  • 说明：返回一个新的 Series，每个位置的值是累计和。

实例

让我们通过一系列从简单到复杂的例子，彻底掌握 Series.cumsum() 的用法。

示例 1：基础用法 - 计算累计销售额

累计和是指到当前位置为止，所有数值的总和。

实例

import pandas as pd

# 创建一个包含每日销售额的 Series
daily_sales = pd.Series([1000, 1500, 1200, 1800, 2000, 900, 1600])

print("每日销售额（元）：")
print(daily_sales)
print()

# 计算累计销售额
cumulative_sales = daily_sales.cumsum()

print("累计销售额（元）：")
print(cumulative_sales)
print()

print("分析：")
print("- 第1天累计：1000")
print("- 第2天累计：1000 + 1500 = 2500")
print("- 第3天累计：1000 + 1500 + 1200 = 3700")
print("依此类推...")

运行结果：

每日销售额（元）：
0    1000
1    1500
2    1200
3    1800
4    2000
5     900
6    1600
dtype: int64

累计销售额（元）：
0    1000
1    2500
2    3700
3    5500
4    7500
5    8400
6   10000
dtype: int64

分析：
- 第1天的累计销售就是当天的销售额
- 第2天的累计销售额 = 第1天 + 第2天的销售额
- 以此类推...

代码解析：

  • 第 1 个位置的累计和 = 1000
  • 第 2 个位置的累计和 = 1000 + 1500 = 2500
  • 第 3 个位置的累计和 = 1000 + 1500 + 1200 = 3700
  • 以此类推...

示例 2：处理包含缺失值的数据

skipna 参数决定了如何处理缺失值。

实例

import pandas as pd
import numpy as np

# 创建包含缺失值的 Series
data_with_nan = pd.Series([10, 20, np.nan, 30, 40])

print("原始数据（含缺失值）：")
print(data_with_nan)
print()

# 默认 skipna=True，跳过 NaN 计算累计和
cumulative_skipna = data_with_nan.cumsum()
print("skipna=True（默认）时的累计和：")
print(cumulative_skipna)
print()

# 设置 skipna=False，NaN 位置会中断累计
cumulative_no_skipna = data_with_nan.cumsum(skipna=False)
print("skipna=False 时的累计和：")
print(cumulative_no_skipna)

运行结果：

原始数据（含缺失值）：
0    10.0
1    20.0
2       NaN
3    30.0
4    40.0
dtype: float64

skipna=True（默认）的累计和：
0    10.0
1    30.0
2       NaN
3    60.0
4   100.0
dtype: float64

skipna=False 的累计和：
0    10.0
1    30.0
2       NaN
3     NaN
4     DataFrame

代码解析：

  • 当 skipna=True 时，NaN 位置会被跳过，后续累计基于有效值继续计算。
  • 计算：10 → 30 → (跳过) → 60 → 100
  • 当 skipna=False 时，遇到 NaN 后的所有位置都会变成 NaN。

示例 3：结合原始数据分析

在实际分析中，通常需要同时查看原始数据和累计数据。

实例

import pandas as pd

# 创建股价数据
stock_prices = pd.Series([100, 102, 98, 105, 103, 108, 110])

# 计算每日涨跌
daily_change = stock_prices.diff()

# 计算累计涨跌
cumulative_change = stock_prices.cumsum() - stock_prices.iloc[0] * len(stock_prices) + stock_prices

# 或者更简单地用 cumsum 计算相对初始价格的累计变化
print("股价数据：")
print(stock_prices.values)
print()

# 计算当天的价格变化（与前一天相比）
print("每日涨跌：")
print(daily_change.fillna(0).values)
print()

# 另一种方式：计算累计收益
cumulative_return = ((stock_prices / stock_prices.iloc[0]) - 1) * 100

print("累计收益（%）：")
print(cumulative_return.values)
print()

# 从 100 元开始的累计价值
initial_price = 100
cumulative_value = initial_price + stock_prices.cumsum() - stock_prices.iloc[0]

print("累计价值（假设初始 100 元）：")
print(cumulative_value.values)

运行结果：

股价数据：[100, 102, 98, 105, 103, 108, 110]

每日涨跌（与前一天相比）：
[ 0.,  2., -4.,  7., -2.,  5.,  2.]

累计收益（%）：
[0.0, 2.0, -2.0, 5.0, 3.0, 8.0, 10.0]

累计价值（假设初始 100 元）：
0      100
1      202
2      300
3      405
4      508
5      616
6      726
dtype: int64

分析：第 7 天时，股价从 100 涨到 110，累计收益率为 10%。

示例 4：实际应用 - 月度累计数据

展示 cumsum 在财务分析中的典型应用。

实例

import pandas as pd

# 创建月度销售数据
monthly_sales = pd.Series({
    '1月': 50000,
    '2月': 62000,
    '3月': 58000,
    '4月': 70000,
    '5月': 75000,
    '6月': 80000
})

print("月度销售额（元）：")
print(monthly_sales)
print()

# 计算月度累计销售额
cumulative_sales = monthly_sales.cumsum()

# 创建汇总表格
summary = pd.DataFrame({
    '月度销售额': monthly_sales,
    '累计销售额': cumulative_sales,
    '完成年度目标比例': (cumulative_sales / 500000 * 100).round(1)
})

print("销售汇总表：")
print(summary)
print()

print(f"上半年累计销售额：{cumulative_sales.iloc[-1]} 元")
print(f"年度目标完成率：{cumulative_sales.iloc[-1]/500000*100:.1f}%")

运行结果：

月度销售额（元）：
1月    50000
2月    62000
累计    112000
4月    70000
5月    75000
6月    80000
dtype: int64

销售汇总表：
              月度销售额   累计销售额  完成年度目标（%）
1月    50000    50000          10.0
2月    62000   112000          22.4
3月    58000   170000          34.0
4月    70000   240000          累计  34.0%
5月    75000   315000          63.0
6月   累计  395000          79.0
dtype: int64

分析：6 月底累计销售额为 39.5 万元，已完成年度目标的 79.0%。

示例 5：在 DataFrame 中应用

cumsum 也可以在 DataFrame 中按列或按行使用。

实例

import pandas as pd

# 创建包含多个产品销量的 DataFrame
sales_data = pd.DataFrame({
    '产品A': [100, 150, 120, 180],
    '产品B': [80, 90, 110, 130],
    '产品C': [50, 60, 70, 80]
}, index=['1月', '2月', '3月', '4月'])

print("月度销售数据：")
print(sales_data)
print()

# 按列计算累计销量（默认）
cumulative_by_col = sales_data.cumsum()
print("按产品累计销量：")
print(cumulative_by_col)
print()

# 按行计算累计销量
cumulative_by_row = sales_data.cumsum(axis=1)
print("按月度累计销量：")
print(cumulative_by_row)

运行结果：

月度销售数据：
    产品A  产品B  产品C
1月  100    80    50
2月  150    90    60
3月 120
4月  180   130    80

按产品累计销量：
    产品A  产品B  产品C
1月  100    80    50
2月  250   170   110
3月 370   280   180
4月 550   410   260

按月度累计销量：
     产品A   产品B   产品C
1月  100.0  180.0  230.0
2月  250.0  340.0  400.0

代码解析：

  • 默认 axis=0，沿列方向计算累计和。
  • 设置 axis=1，沿行方向计算累计和。

注意事项

  • cumsum 返回一个新的 Series，不会修改原始数据。
  • 默认 skipna=True，NaN 值会被跳过。
  • 当 skipna=False 时，遇到 NaN 会导致后续所有值变为 NaN。
  • 在 DataFrame 中可以使用 axis 参数控制累计方向。
  • 累计和的计算是顺序相关的，不能并行化。

小结

Series.cumsum() 是时间序列分析中的基础函数。它的主要特点包括：

  • 计算从开始到当前位置的累计值。
  • 支持处理缺失值，可通过 skipna 参数控制。
  • 在 DataFrame 中支持按行或按列计算。
  • 广泛应用于财务分析、销售统计、进度跟踪等场景。

累计和可以帮助我们了解数据随时间的变化趋势，是数据分析中的重要工具。配合其他累计函数（如 cumprod、cummax、cummin）使用，可以获得更全面的数据洞察。

Pandas 常用函数 Pandas 常用函数

返回顶部
© 2026 菜鸟教程
备案号：闽ICP备15012807号-1

∧