pandas.Series.cumsum

Series.cumsum(axis=None, skipna=True, *args, **kwargs)[source]

Возвращает кумулятивную сумму по оси DataFrame или Series.

Возвращает DataFrame или Series того же размера, содержащий кумулятивную сумму.

Параметры:

axis:{0 или ‘индекс’, 1 или ‘колонки’}, по умолчанию 0

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

skipna:bool, по умолчанию True

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

*args, **kwargs

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

Возвращает:

скаляр или Series

Возвращает кумулятивную сумму скаляра или Series.

См. также

core.window.expanding.Expanding.sum

Аналогичная функциональность, но игнорирует NaN значения.

Series.sum

Возвращает сумму по оси Series.

Series.cummax

Возвращает кумулятивный максимум по оси Series.

Series.cummin

Возвращает кумулятивный минимум по оси Series.

Series.cumsum

Возвращает кумулятивную сумму по оси Series.

Series.cumprod

Возвращает кумулятивное произведение по оси Series.

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.cumsum()
0    2.0
1    NaN
2    7.0
3    6.0
4    6.0
dtype: float64

Для включения значений NA в операцию, используйте skipna=False

>>> s.cumsum(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 сумму в каждом столбце. Это эквивалентно axis=None или axis='index'.

>>> df.cumsum()
     A    B
0  2.0  1.0
1  5.0  NaN
2  6.0  1.0

Для итерации по столбцам и нахождения суммы в каждой строке, используйте axis=1

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