cumsum()和cumprod()可直接计算累计和与累计积，默认axis=0按列逐元素累积，返回同形状结果；支持NaN传播、布尔计数、行列方向控制及numeric_only参数跳过非数值列。
用 cumsum() 和 cumprod() 计算累计和与累计积
直接调用 Series 或 DataFrame 的 cumsum() 和 cumprod() 方法即可，它们默认按行（axis=0）逐元素累积，返回同形状的结果。不需要手动循环或 apply，底层用 C 实现，速度很快。
常见错误是误以为要先排序或重置索引——其实只要数据顺序符合业务逻辑（比如时间序列已按时间排序），结果就正确；若顺序乱了，先用 sort_values() 或 set_index() 整理好再算。
-
cumsum()对NaN值保持传播：遇到第一个NaN后，后续全为NaN -
cumprod()同样传播NaN，且若含 0，后续累积积会恒为 0（数学上合理） - 对布尔型数据，
cumsum()可当“计数器”用（True算 1，False算 0）
在 DataFrame 中按行或按列控制方向
DataFrame.cumsum(axis=0) 是默认行为（按列累积，即每列各自算自己的累计和），axis=1 才是按行累积（每行从左到右累加）。容易混淆的是“按行”这个说法——它不表示“逐行处理”，而是指沿着水平方向（列索引方向）滚动计算。
示例：df.cumsum(axis=1) 会让第 0 行变成 [a, a+b, a+b+c]，而不是把所有行的第 0 列加起来。
立即学习“Python免费学习笔记（深入）”；
- 想对某几列单独计算？用列选择子集：
df[['col_a', 'col_b']].cumsum() - 想跳过非数值列？
cumsum(numeric_only=True)自动忽略字符串、日期等列（Pandas ≥ 1.5） - 旧版 Pandas（TypeError，需先
select_dtypes(include='number')
处理缺失值和类型转换的坑
如果原始列是整型但含 NaN，Pandas 会自动转成 float64（因为 NaN 是浮点概念）。这不是 bug，是设计使然。若后续要导出整数 CSV，得在最后用 fillna(0).astype(int)，但注意：这会把原本的 NaN 强制变 0，可能掩盖数据问题。
- 不想让
NaN中断累积？先用fillna(0)再调cumsum()——但仅适用于“空值即零”的业务场景 -
cumprod()对负数敏感：交替正负会导致符号频繁翻转，容易引发数值溢出（尤其大数），可考虑先取对数再累加，最后指数还原 - 时间序列中用
datetime列调cumsum()会报错，必须先转成timedelta或数值单位（如天数）
替代方案：用 numpy 的 cumsum 更快但更糙
如果只处理纯数值 ndarray，np.cumsum(arr) 比 Pandas 版本快约 20–30%，且不带索引、不检查 dtype。但它不兼容 NaN（会返回 nan，但不会像 Pandas 那样“阻断后续”）；而且一旦用了 np.cumsum，就得自己维护索引对齐，容易出错。
- 适合场景：清洗后确定无缺失、纯数字、且不需要保留 DataFrame 结构的中间计算
- 别直接对
df.values调用np.cumsum后塞回 DataFrame——列名和索引可能错位 - 若追求极致性能又需结构，可用
numba.jit加速自定义累积逻辑，但开发成本高，一般没必要
cumsum() 后，务必用 head() 和业务逻辑对照几条记录，比盲目信结果更重要。 
