cumsum()和cummax()不属于Python内置函数，需用NumPy或Pandas；list不能直接调用，须先转为ndarray或Series；itertools.accumulate()可纯Python实现累积运算。
用 cumsum() 做累积求和，别直接套在 list 上
Python 里没有内置的 cumsum()，它属于 NumPy 和 Pandas——不是 Python 标准库函数。直接对普通 list 调用会报 AttributeError: 'list' object has no attribute 'cumsum'。
常见错误是写成：[1,2,3].cumsum()，这肯定失败。得先转成 numpy.ndarray 或 pandas.Series。
- NumPy 场景：用
np.cumsum([1,2,3])→ 返回array([1, 3, 6])，支持 axis 参数，适合多维数组按行/列累积 - Pandas 场景：
pd.Series([1,2,3]).cumsum()→ 返回Series，保留索引，空值默认跳过（skipna=True） - 如果数据含
NaN，NumPy 的cumsum()会污染后续结果（变成全nan），Pandas 默认跳过，行为更稳健
cummax() 不是内置函数，也不是 math 模块里的
和 cumsum() 一样，cummax() 也只存在于 Pandas 和 NumPy（后者叫 cummax，但需从 numpy.ufunc 显式调用，极少用）。别在 math、itertools 或纯 Python 循环里找它。
最常用路径就是 Pandas：pd.Series([3,1,4,1,5]).cummax() →
0 3<br>1 3<br>2 4<br>3 4<br>4 5。
立即学习“Python免费学习笔记（深入）”；
让 macOS 自动化像说话一样简单 —— 用代码控制你的 Mac，无需学习 AppleScript 系统要求 macOS 14+ (Sonoma) Python 3.9+ 需要开启：辅助功能 + 屏幕录制权限
- 参数少但关键：
skipna=True（默认）遇到NaN就跳，设为False则第一个NaN后全变NaN - 对 DataFrame 调用时，必须指定
axis（0或1），否则报错：TypeError: cummax() missing 1 required positional argument: 'axis' - 性能上，Pandas
cummax()对大 Series 比手写循环快一个数量级；但若只是几个数，纯 Pythonitertools.accumulate()配max更轻量
想用纯 Python 实现累积最大值？itertools.accumulate() 是正解
不用 Pandas 也能做，关键是用对函数。别写三层 for 循环或手动维护变量——itertools.accumulate() 就是干这个的。
示例：from itertools import accumulate; list(accumulate([3,1,4,1,5], max)) → [3, 3, 4, 4, 5]。
-
accumulate(iterable, func)第二个参数必须是二元函数，max符合要求，sum也行（等价于cumsum） - 注意返回的是迭代器，要结果得转
list或遍历；不转就用一次失效 - 跟 Pandas 行为差异：它不处理
None或NaN，遇到就报TypeError: unorderable types: int() > NoneType()，得提前过滤
DataFrame 里混用 cumsum() 和 cummax() 容易丢列名或广播错
对整个 DataFrame 调用这些方法时，它们默认按列（axis=0）计算，返回仍是 DataFrame，但列顺序不变、索引不变——这点常被忽略，导致后续 merge 或 plot 出错。
典型陷阱：df[['A','B']].cumsum() 结果列名还是 A、B，但如果你原意是“对每行累加”，却忘了写 axis=1，结果就完全不对。
- 确认方向：按行累积用
axis=1，按列用axis=0（默认） - 混合数据类型列（比如一列是
str）会导致整列被跳过或报错，Pandas 会静默跳过非数值列，NumPy 则直接炸掉 - 链式调用要注意：
df.fillna(0).cumsum().round(2)没问题，但df.cumsum().fillna(0)可能填错位置——因为cumsum()后的NaN分布已变
list、ndarray 还是 Series，以及 NaN 在哪、要不要参与计算。这几个函数对输入类型和缺失值太敏感，动不动就静默跳过或全盘崩掉。 
