Функция Pandas Series.cumsum()

Pandas 常用函数Часто используемые функции Pandas

Series.cumsum()является функцией Pandas, используемой для вычисления кумулятивной суммы Series. Кумулятивная сумма означает, что начиная с первого элемента значение в каждой позиции равно сумме всех элементов до этой позиции (включая текущий элемент).

Кумулятивные суммы часто используются в анализе финансовых данных (например, при расчёте кумулятивной доходности), анализе продаж (например, при расчёте кумулятивного объёма продаж), анализе временных рядов и других сценариях.

Базовый синтаксис и параметры

cumsum()является методом объекта Series, вызываемым напрямую через оператор точка.

Синтаксис

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

Описание параметра

Параметр Type Описание Значение по умолчанию
axis int Задаёт ось; у Series только один столбец, поэтому этот параметр в основном предназначен для совместимости с DataFrame. Отсутствует
skipna bool Если True, значения NaN пропускаются при вычислении; если False, при обнаружении NaN кумулятивная сумма прерывается. True
dtype dtype Указывает тип выходных данных. Отсутствует
out ndarray Массив, используемый для хранения результата; обычно его не нужно задавать. Отсутствует

Возвращаемое значение

  • Тип возвращаемого значения：Series
  • Описание: Возвращает новый Series, где значение в каждой позиции — накопленная сумма.

Примеры

На серии примеров от простого к сложному давайте тщательно освоимSeries.cumsum()использование.

Пример 1: Базовое использование — вычисление накопленных продаж

Накопленная сумма — это сумма всех значений до текущей позиции включительно.

Пример

import pandas as pd

# Создание Series, содержащего ежедневные продажи
daily_sales = pd.Series([1000, 1500, 1200, 1800, 2000, 900, 1600])

print("Ежедневные продажи (yuan):")
print(daily_sales)
print()

# Вычисление накопленных продаж
cumulative_sales = daily_sales.cumsum()

print("Накопленные продажи (yuan):")
print(cumulative_sales)
print()

print("Анализ:")
print("- День 1, накопительная сумма: 1000")
print("- День 2, накопительная сумма: 1000 + 1500 = 2500")
print("- День 3, накопительная сумма: 1000 + 1500 + 1200 = 3700")
print("И так далее...")

Вывод:

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...

Пояснение к коду:

  • Накопительная сумма в позиции 1 = 1000
  • Накопительная сумма в позиции 2 = 1000 + 1500 = 2500
  • Накопительная сумма в позиции 3 = 1000 + 1500 + 1200 = 3700
  • И так далее...

Пример 2: Обработка данных с пропущенными значениями

skipnaПараметр определяет, как обрабатываются пропущенные значения.

Пример

import pandas as pd
import numpy as np

# Создать Series, содержащий пропущенные значения
data_with_nan = pd.Series([10, 20, np.nan, 30, 40])

print("Исходные данные (с пропущенными значениями):")
print(data_with_nan)
print()

# По умолчанию skipna=True, пропускать NaN при вычислении кумулятивной суммы
cumulative_skipna = data_with_nan.cumsum()
print("Кумулятивная сумма с skipna=True (по умолчанию):")
print(cumulative_skipna)
print()

# Установите skipna=False, позиции с NaN нарушат кумулятивную сумму
cumulative_no_skipna = data_with_nan.cumsum(skipna=False)
print("Кумулятивная сумма с skipna=False:")
print(cumulative_no_skipna)

Вывод:

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

Пояснение к коду:

  • Когдаskipna=TrueЕсли установлено значение True, позиции NaN пропускаются, а последующие кумулятивные суммы продолжают вычисляться на основе допустимых значений.
  • Вычисление: 10 → 30 → (пропуск) → 60 → 100
  • Когдаskipna=FalseЕсли установлено значение False, все позиции после встречи с NaN становятся NaN.

Пример 3: Совместный анализ с исходными данными

В практическом анализе часто необходимо одновременно просматривать как исходные данные, так и кумулятивные данные.

Пример

import pandas as pd

# Создание данных о ценах акций
stock_prices = pd.Series([100, 102, 98, 105, 103, 108, 110])

# Вычислить дневные изменения
daily_change = stock_prices.diff()

# Вычислить кумулятивные изменения
cumulative_change = stock_prices.cumsum() - stock_prices.iloc[0] * len(stock_prices) + stock_prices

# Или, что проще, используйте cumsum для вычисления кумулятивного изменения относительно начальной цены
print("Данные о ценах акций:")
print(stock_prices.values)
print()

# Вычислить изменение цены за день (по сравнению с предыдущим днём)
print("Ежедневные изменения:")
print(daily_change.fillna(0).values)
print()

# Другой способ: вычислить накопленную доходность
cumulative_return = ((stock_prices / stock_prices.iloc[0]) - 1) * 100

print("Накопленная доходность (%):")
print(cumulative_return.values)
print()

# Накопленная стоимость, начиная с 100 yuan
initial_price = 100
cumulative_value = initial_price + stock_prices.cumsum() - stock_prices.iloc[0]

print("Накопленная стоимость (при начальной сумме 100 yuan):")
print(cumulative_value.values)

Вывод:

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%。

Пример 4: Практическое применение - Накопленные данные по месяцам

Демонстрирует типичное применение cumsum в финансовом анализе.

Пример

import pandas as pd

# Создать данные о месячных продажах
monthly_sales = pd.Series({
    'Январь': 50000,
    'Февраль': 62000,
    'Март': 58000,
    'Апрель': 70000,
    'Май': 75000,
    'Июнь': 80000
})

print("Месячные продажи (yuan):")
print(monthly_sales)
print()

# Рассчитать накопительные продажи по месяцам
cumulative_sales = monthly_sales.cumsum()

# Создать сводную таблицу
summary = pd.DataFrame({
    'Месячные продажи': monthly_sales,
    'Накопительные продажи': cumulative_sales,
    'Коэффициент выполнения годового плана': (cumulative_sales / 500000 * 100).round(1)
})

print("Сводная таблица продаж:")
print(summary)
print()

print(f"Накопленные продажи за первое полугодие: {cumulative_sales.iloc[-1]} yuan")
print(f"Процент выполнения годового плана: {cumulative_sales.iloc[-1]/500000*100:.1f}%")

Вывод:

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%。

Пример 5: Применение в DataFrame

cumsum также можно использовать в DataFrame по столбцам или по строкам.

Пример

import pandas as pd

# Создать DataFrame, содержащий продажи нескольких товаров
sales_data = pd.DataFrame({
    'Товар A': [100, 150, 120, 180],
    'Товар B': [80, 90, 110, 130],
    'Товар C': [50, 60, 70, 80]
}, index=['Январь', 'Февраль', 'Март', 'Апрель'])

print("Данные о месячных продажах:")
print(sales_data)
print()

# Вычислить накопительные продажи по столбцам (по умолчанию)
cumulative_by_col = sales_data.cumsum()
print("Накопительные продажи по продуктам:")
print(cumulative_by_col)
print()

# Вычислить накопительные продажи по строкам
cumulative_by_row = sales_data.cumsum(axis=1)
print("Накопительные продажи по месяцам:")
print(cumulative_by_row)

Вывод:

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

Пояснение к коду:

  • По умолчанию,axis=0накопительная сумма вычисляется вдоль направления столбцов.
  • Настройкаaxis=1вычисляет накопительную сумму вдоль направления строк.

Примечания

  • cumsum возвращает новый Series и не изменяет исходные данные.
  • По умолчанию skipna=True, и значения NaN пропускаются.
  • Если skipna=False, при встрече NaN все последующие значения становятся NaN.
  • В DataFrame параметр axis можно использовать для управления направлением накопления.
  • Вычисление кумулятивной суммы зависит от порядка и не может быть распараллелено.

Итог

Series.cumsum()Является фундаментальной функцией в анализе временных рядов. Ее основные возможности включают:

  • Вычисляет накопленное значение от начала до текущей позиции.
  • Поддерживает обработку пропущенных значений, управляемую с помощью параметра skipna.
  • Поддерживает вычисления по строкам или по столбцам в DataFrame.
  • Широко используется в финансовом анализе, статистике продаж, отслеживании прогресса и других сценариях.

Кумулятивная сумма помогает нам понять тенденцию данных во времени и является важным инструментом в анализе данных. При использовании вместе с другими кумулятивными функциями (такими как cumprod, cummax, cummin) она может обеспечить более полное понимание данных.

Pandas 常用函数Часто используемые функции Pandas

Другие расширения