【Pandas】pandas DataFrame cumprod

Pandas2.2 DataFrame

Computations descriptive stats

方法 描述
DataFrame.abs() 用于返回 DataFrame 中每个元素的绝对值
DataFrame.all(axis, bool_only, skipna) 用于判断 DataFrame 中是否所有元素在指定轴上都为 True
DataFrame.any(*, axis, bool_only, skipna) 用于判断 DataFrame 中是否至少有一个元素在指定轴上为 True
DataFrame.clip(lower, upper, axis, inplace) 用于截断(限制)DataFrame 中的数值
DataFrame.corr(method, min_periods, ...) 用于计算 DataFrame 中各列之间的相关系数矩阵(Correlation Matrix)
DataFrame.corrwith(other, axis, drop, ...) 用于计算当前 DataFrame 的每一列(或行)与另一个 Series 或 DataFrame 中对应列的相关系数
DataFrame.count(axis, numeric_only) 用于统计 DataFrame 中每列或每行的非空(非 NaN)元素数量
DataFrame.cov(min_periods, ddof, numeric_only) 用于计算 DataFrame 中每对列之间的协方差
DataFrame.cummax(axis, skipna) 用于计算 DataFrame 中每列或每行的累计最大值(cumulative maximum)
DataFrame.cummin(axis, skipna) 用于计算 DataFrame 中每列或每行的累计最小值(cumulative minimum)
DataFrame.cumprod(axis, skipna) 用于计算 DataFrame 中每列或每行的累计乘积(cumulative product)

pandas.DataFrame.cumprod()

pandas.DataFrame.cumprod() 方法用于计算 DataFrame 中每列或每行的累计乘积(cumulative product)。该方法返回一个与原 DataFrame 形状相同的对象,每个位置上的值是到该位置为止所有元素的乘积。


参数说明:
  1. axis:{0 or 'index', 1 or 'columns'}, default 0

    • 指定计算方向:
      • 0 或 'index':按列计算(对每一列从上往下累计)
      • 1 或 'columns':按行计算(对每一行从左往右累计)
  2. skipna:bool, default True

    • 如果为 True,则忽略 NaN 值;
    • 如果为 False,遇到 NaN 则结果也为 NaN。

示例代码 1:默认参数(按列累计乘积)
python 复制代码
import pandas as pd

df = pd.DataFrame({
    'A': [1, 2, 3, 4],
    'B': [10, 20, 30, 40]
})

result = df.cumprod()
print(result)
输出结果:
复制代码
    A      B
0   1     10
1   2    200
2   6   6000
3  24  240000

示例代码 2:按行累计乘积(axis=1)
python 复制代码
result = df.cumprod(axis=1)
print(result)
输出结果:
复制代码
    A     B
0   1    10
1   2    40
2   3    90
3   4   160

示例代码 3:包含 NaN 值时 skipna=False 的影响
python 复制代码
import numpy as np

df_with_nan = pd.DataFrame({
    'A': [1, 2, None, 4],
    'B': [None, 2, 3, 4]
})

result = df_with_nan.cumprod(skipna=False)
print(result)
输出结果:
复制代码
     A    B
0  1.0  NaN
1  2.0  NaN
2  NaN  NaN
3  NaN  NaN

总结:
  • cumprod() 适用于需要追踪序列中数值累积效果的场景,如复利计算、连续增长倍数等。
  • 注意数据类型溢出问题,大数据量相乘可能导致整型/浮点型溢出(inf)。
相关推荐
2601_9679791212 小时前
pandas重塑层次化索引(stack()和unstack()函数解析)
pandas·重塑·层次化索引·stack()·unstack()
郝学胜-神的一滴1 天前
Effective Python 条款35:用类封装替代生成器异常注入
开发语言·人工智能·python·金融·pandas·scikit-learn·matplotlib
弈栈录1 天前
时间序列分析:按日、周、月进行趋势统计
数据分析·pandas
linweidong5 天前
RTX 4090 Ubuntu + ComfyUI + comfy-kitchen 0.2.41 完整部署文档
机器学习·云原生·conda·pandas·scikit-learn
benchmark_cc5 天前
个人开发者接入五档盘口:用 QuantDash 读取单只股票的验收清单与易错点
python·数据分析·pandas·量化交易·股票数据·quantdash
benchmark_cc9 天前
用 QuantDash 读取单只股票五档盘口:抽样、缺失值检查与复现记录
python·数据分析·pandas·量化交易·股票数据·quantdash
benchmark_cc12 天前
单只股票五档盘口接入个人研究仓库:QuantDash 读取、校验与易错点
python·数据分析·pandas·量化交易·股票数据·quantdash
benchmark_cc13 天前
用 QuantDash 读取美股行情:AAPL.US 的运行前检查、排错顺序与数据校验清单
python·数据分析·pandas·量化交易·股票数据·quantdash
databook16 天前
经常听到的透视表是干什么的?
python·数据分析·pandas
benchmark_cc17 天前
A 股、港股、美股如何建立统一的标的主数据格式?
开发语言·python·数据分析·pandas·量化交易·股票数据·quantdash