Pandas的cumsum()和cumprod()遇NaN即传播中断，不支持跳过或条件重置；需用fillna()、ffill()、groupby().cumsum()或构造重置标志列（如cumsum()生成分组键）实现复杂逻辑。
直接说结论：Pandas 的 cumsum() 和 cumprod() 本身不支持“跳过 NaN 后继续累积”或“按条件重置累积状态”，这类复杂逻辑必须结合 groupby()、mask() 或自定义 apply() 实现，硬套默认方法会出错。
为什么 cumsum() 遇到 NaN 就中断？
Pandas 默认把 NaN 当作传播值——一旦遇到，后续所有累积结果都变成 NaN。这不是 bug，是 NumPy 的广播规则继承。比如：
import pandas as pd s = pd.Series([1, 2, np.nan, 4, 5]) s.cumsum() # 返回 [1.0, 3.0, nan, nan, nan]
如果你想要“跳过 NaN 继续累加”，得先用 fillna(0) 或 mask() 处理，但要注意语义是否合理（填 0 会影响求和，填前向值可能更合适）：
-
s.fillna(0).cumsum()→ 把 NaN 当 0 算，适合计数类场景 -
s.ffill().cumsum()→ 用上一个有效值替代 NaN，适合趋势延续类场景 -
s.mask(s.isna()).cumsum()不行——mask()返回 NaN，还是中断
如何按分组重置累积计算？
比如销售数据中，每个 product_id 要独立算累计销量，不能跨品类混算。这时候必须用 groupby().cumsum()，而不是先 cumsum() 再分组：
立即学习“Python免费学习笔记（深入）”；
df = pd.DataFrame({
'product': ['A', 'A', 'B', 'B', 'A'],
'sales': [10, 20, 15, 25, 30]
})
df['cum_sales'] = df.groupby('product')['sales'].cumsum()注意：groupby().cumsum() 保持原始顺序，不改变行索引；如果分组键有重复组合（如多级索引），它也会按组内顺序累积。漏掉 groupby() 直接调用 cumsum() 就是全局累积，不是你想要的。
- 想按时间排序后再累积？先
sort_values('date')，再groupby().cumsum() - 分组键含 NaN？Pandas 默认把 NaN 单独成一组，要提前
dropna()或fillna() - 性能敏感？
groupby().cumsum()比循环快得多，别手写 for
怎么实现“满足条件时清零重新累积”？
这是最常被误判的场景：比如库存流水，每次 type == 'restock' 就重置累计消耗。Pandas 没有内置 reset-on-condition 功能，得靠构造辅助分组键：
df['reset_flag'] = (df['type'] == 'restock').cumsum()
df['cum_consumed'] = df.groupby('reset_flag')['amount'].cumsum()原理是：用 cumsum() 把每个重置点转成递增整数，形成天然分组 ID。之后再 groupby 这个 ID 就能隔离各段。
- 条件不止一个？用
(df['a'] > 0) & (df['b'] == 'X')构造布尔序列 - 重置逻辑依赖前一行？先
shift()再比较，避免链式赋值警告 - 分组键太多导致内存涨？考虑用
category类型压缩
真正麻烦的不是语法，而是累积逻辑的语义边界——NaN 怎么解释、分组依据是否稳定、重置条件是否可逆。这些没法靠查文档解决，得盯着业务数据画几行示例手动推一遍。
