Pandas Series.cumsum() 関数

Series.cumsum()はPandasでSeriesの累計和を計算するための関数です。累計和とは、最初の要素から始まり、各位置の値がその位置以前のすべての要素の合計（現在の要素を含む）に等しいものを指します。

累計和は、金融データ分析（累計収益の計算など）、販売分析（累計売上の計算など）、時系列分析などの場面でよく使用されます。

基本構文とパラメータ

cumsum()Seriesオブジェクトのメンバー関数であり、ドット演算子で直接呼び出します。

構文形式

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

パラメータの説明

パラメータ	型	説明	デフォルト値
axis	int	軸の方向を指定します。Seriesには列が1つしかないため、このパラメータは主にDataFrameとの互換性のためのものです。	None
skipna	bool	Trueの場合は計算時にNaN値をスキップします。Falseの場合はNaNに遭遇すると累計が中断されます。	True
dtype	dtype	出力データ型を指定します。	None
out	ndarray	結果を格納するための配列で、通常は設定する必要はありません。	None

戻り値

戻り値の型：Series
説明：新しいSeriesを返します。各位置の値は累計和です。

例

簡単なものから複雑なものまでの一連の例を通して、徹底的にSeries.cumsum()の使い方をマスターしましょう。

例1：基本の使い方 - 累計売上の計算

累計和とは、現在の位置までのすべての数値の合計です。

例

import pandas as pd

# 毎日の売上を含むSeriesを作成
daily_sales = pd.Series([1000, 1500, 1200, 1800, 2000, 900, 1600])

print("毎日の売上（元）：")
print(daily_sales)
print()

# 累計売上を計算
cumulative_sales = daily_sales.cumsum()

print("累計売上（元）：")
print(cumulative_sales)
print()

print("分析：")
print("- 1日目の累計：1000")
print("- 2日目の累計：1000 + 1500 = 2500")
print("- 3日目の累計：1000 + 1500 + 1200 = 3700")
print("以降も同様に続きます...")

実行結果：

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...

コードの解説：

1番目の位置の累計和 = 1000
2番目の位置の累計和 = 1000 + 1500 = 2500
3番目の位置の累計和 = 1000 + 1500 + 1200 = 3700
以下同様に続きます...

例2：欠損値を含むデータの処理

skipnaパラメータによって、欠損値の処理方法が決まります。

例

import pandas as pd
import numpy as np

# 欠損値を含むSeriesを作成
data_with_nan = pd.Series([10, 20, np.nan, 30, 40])

print("元のデータ（欠損値を含む）：")
print(data_with_nan)
print()

# デフォルトはskipna=Trueで、NaNをスキップして累計和を計算
cumulative_skipna = data_with_nan.cumsum()
print(skipna=True（デフォルト）の場合の累計と：)
print(cumulative_skipna)
print()

# skipna=Falseを設定した場合、NaNの位置で累計が中断される
cumulative_no_skipna = data_with_nan.cumsum(skipna=False)
print("skipna=Falseの場合の累計和：")
print(cumulative_no_skipna)

実行結果：

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

コードの解説：

当 skipna=Trueの場合、NaNの位置はスキップされ、その後の累計は有効な値に基づいて計算が続行されます。
計算：10 → 30 → (スキップ) → 60 → 100
当 skipna=Falseの場合、NaNに遭遇した後のすべての位置がNaNになります。

例3：元のデータと組み合わせた分析

実際の分析では、通常、元のデータと累計データを同時に確認する必要があります。

例

import pandas as pd

# 株価データを作成
stock_prices = pd.Series([100, 102, 98, 105, 103, 108, 110])

# 毎日の増減を計算
daily_change = stock_prices.diff()

# 累計増減を計算
cumulative_change = stock_prices.cumsum() - stock_prices.iloc[0] * len(stock_prices) + stock_prices

# または、より簡単にcumsumを使って初期価格に対する累計変化を計算
print("株価データ：")
print(stock_prices.values)
print()

# 当日の価格変化を計算（前日との比較）
print("毎日の増減：")
print(daily_change.fillna(0).values)
print()

# 別の方法：累計収益を計算
cumulative_return = ((stock_prices / stock_prices.iloc[0]) - 1) * 100

print("累計収益（%）：")
print(cumulative_return.values)
print()

# 100元から始まる累計価値
initial_price = 100
cumulative_value = initial_price + stock_prices.cumsum() - stock_prices.iloc[0]

print("累計価値（初期100元と仮定）：")
print(cumulative_value.values)

実行結果：

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%。

例4：実際の応用 - 月次累計データ

財務分析におけるcumsumの典型的な応用を示します。

例

import pandas as pd

# 月次売上データを作成
monthly_sales = pd.Series({
'1月': 50000,
'2月': 62000,
'3月': 58000,
'4月': 70000,
'5月': 75000,
'6月': 80000
})

print("月次売上（元）：")
print(monthly_sales)
print()

# 月次累計売上を計算
cumulative_sales = monthly_sales.cumsum()

# 集計表を作成
summary = pd.DataFrame({
'月次売上': monthly_sales,
'累計売上': cumulative_sales,
'年間目標達成率': (cumulative_sales / 500000 * 100).round(1)
})

print("売上集計表：")
print(summary)
print()

print(f"上半期の累計売上：{cumulative_sales.iloc[-1]} 元")
print(f"年間目標達成率：{cumulative_sales.iloc[-1]/500000*100:.1f}%")

実行結果：

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%。

例5：DataFrameでの適用

cumsumはDataFrameでも列ごとまたは行ごとに使用できます。

例

import pandas as pd

# 複数製品の売上を含むDataFrameを作成
sales_data = pd.DataFrame({
'製品A': [100, 150, 120, 180],
'製品B': [80, 90, 110, 130],
'製品C': [50, 60, 70, 80]
}, index=['1月', '2月', '3月', '4月'])

print("月次売上データ：")
print(sales_data)
print()

# 列ごとに累計売上を計算（デフォルト）
cumulative_by_col = sales_data.cumsum()
print("製品別の累計売上：")
print(cumulative_by_col)
print()

# 行ごとに累計売上を計算
cumulative_by_row = sales_data.cumsum(axis=1)
print("月別の累計売上：")
print(cumulative_by_row)

実行結果：

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

コードの解説：

デフォルトではaxis=0、列方向に累計和を計算します。
設定するとaxis=1、行方向に累計和を計算します。

注意事項

cumsumは新しいSeriesを返し、元のデータを変更しません。
デフォルトはskipna=Trueで、NaN値はスキップされます。
skipna=Falseの場合、NaNに遭遇すると後続のすべての値がNaNになります。
DataFrameではaxisパラメータを使用して累計方向を制御できます。
累計和の計算は順序に依存するため、並列化できません。

まとめ

Series.cumsum()は時系列分析における基本関数です。主な特徴は次のとおりです：

開始から現在の位置までの累計値を計算します。
欠損値の処理をサポートし、skipnaパラメータで制御できます。
DataFrameでは行ごとまたは列ごとの計算をサポートします。
財務分析、売上統計、進捗管理などの場面で広く応用されています。

累計和は、データの時間経過に伴う変化の傾向を理解するのに役立ち、データ分析における重要なツールです。他の累計関数（cumprod、cummax、cumminなど）と組み合わせて使用することで、より包括的なデータ洞察を得られます。

Pandas 常用函数 Pandas よく使う関数

その他の拡張

データの読み書き

データ処理の核心

リファレンスマニュアル

統計とケーススタディ

Pandas Series.cumsum() 関数

基本構文とパラメータ

構文形式

パラメータの説明

戻り値

例

例1：基本の使い方 - 累計売上の計算

例

例2：欠損値を含むデータの処理

例

例3：元のデータと組み合わせた分析

例

例4：実際の応用 - 月次累計データ

例

例5：DataFrameでの適用

例

注意事項

まとめ