pandas.DataFrame.cummin

DataFrame.cummin(axis=None, skipna=True, *args, **kwargs)[source]

Возвращает кумуляльный минимум по оси DataFrame или Series.

Возвращает DataFrame или Series того же размера, содержащий кумуляльный минимум.

Параметры:

axis:{0 или ‘index’, 1 или ‘columns’}, по умолчанию 0

Индекс или имя оси. 0 эквивалентно None или ‘index’. Для Series этот параметр не используется и по умолчанию равен 0.

skipna:bool, по умолчанию True

Исключить значения NA/null. Если вся строка/столбец содержит значения NA, результат будет NA.

*args, **kwargs

Дополнительные ключевые слова не влияют, но могут приниматься для совместимости с NumPy.

Возвращает:

Series или DataFrame

Возвращает кумуляльный минимум Series или DataFrame.

См. также

core.window.expanding.Expanding.min

Аналогичная функциональность, но игнорирует NaN значения.

DataFrame.min

Возвращает минимум по оси DataFrame.

DataFrame.cummax

Возвращает кумуляльный максимум по оси DataFrame.

DataFrame.cummin

Возвращает кумуляльный минимум по оси DataFrame.

DataFrame.cumsum

Возвращает кумулятивную сумму по оси DataFrame.

DataFrame.cumprod

Возвращает кумулятивное произведение по оси DataFrame.

Примеры

Series

>>> s = pd.Series([2, np.nan, 5, -1, 0])
>>> s
0    2.0
1    NaN
2    5.0
3   -1.0
4    0.0
dtype: float64

По умолчанию значения NA игнорируются.

>>> s.cummin()
0    2.0
1    NaN
2    2.0
3   -1.0
4   -1.0
dtype: float64

Чтобы включить значения NA в операцию, используйте skipna=False

>>> s.cummin(skipna=False)
0    2.0
1    NaN
2    NaN
3    NaN
4    NaN
dtype: float64

DataFrame

>>> df = pd.DataFrame([[2.0, 1.0],
...                    [3.0, np.nan],
...                    [1.0, 0.0]],
...                   columns=list('AB'))
>>> df
     A    B
0  2.0  1.0
1  3.0  NaN
2  1.0  0.0

По умолчанию итерируется по строкам и находит минимум в каждом столбце. Это эквивалентно axis=None или axis='index'.

>>> df.cummin()
     A    B
0  2.0  1.0
1  2.0  NaN
2  1.0  0.0

Чтобы итерироваться по столбцам и находить минимум в каждой строке, используйте axis=1

>>> df.cummin(axis=1)
     A    B
0  2.0  1.0
1  3.0  NaN
2  1.0  0.0