使用Pandas cummax 函数高效跟踪数据流中的累计最大值-Python教程-PHP中文网

使用pandas cummax 函数高效跟踪数据流中的累计最大值

本文详细介绍了如何在Pandas DataFrame中高效地创建一个新列，该列能够跟踪并保留数据流中遇到的累计最大值。通过利用Pandas内置的`cummax()`函数，可以简洁而优雅地解决当序列值增加时更新最大值，并在值下降时保持前一个最大值的需求，避免了复杂的迭代或分组逻辑。

需求概述：跟踪并保留累计最大值

在数据分析场景中，我们经常需要处理序列数据，并希望在一个新列中记录某个特定指标的“历史最高点”。具体来说，需求是这样的：对于DataFrame中的一列（例如a），我们希望创建一个新列c。c列的每个值应是到当前行为止，a列中出现过的最大值。这意味着，如果当前行的a值大于c列的当前值（即之前的累计最大值），那么c列就更新为这个新的最大值；如果当前行的a值小于或等于c列的当前值，c列则保持不变，继续保留之前的累计最大值。

让我们通过一个具体的DataFrame示例来阐明这一需求：

import pandas as pd

df = pd.DataFrame(
    {
        'a': [110, 115, 112, 180, 150, 175, 160, 145, 200, 205, 208, 203, 206, 207, 208, 209, 210, 215],
        'b': [1, 1, 0, 1, 0, 1, 0, 0, 1, 1, 1, 0, 1, 1, 1, 1, 1, 1], # 'b'列在此问题中作为辅助理解，但并非解决核心问题的必要条件
    }
)

print("原始DataFrame:")
print(df)

期望得到的输出df['c']列如下：

      a  b    c
0   110  1  110
1   115  1  115
2   112  0  115 # a[2]=112 <h3>传统思路与潜在复杂性</h3><p>初次面对这类问题时，开发者可能会倾向于考虑使用循环、条件判断，或者利用groupby结合一些自定义函数来识别“连续上涨”的“streak”并提取其中的最大值。例如，尝试通过df['b'].ne(df['b'].shift()).cumsum()来标识连续块，然后对这些块进行max操作。这种方法虽然在某些分组场景下有效，但对于单纯的“累计最大值”问题而言，会引入不必要的复杂性，并且可能效率较低。</p><h3>简洁高效的解决方案：pandas.Series.cummax()</h3><p>Pandas库为这类累计计算提供了非常强大的内置函数。针对“累计最大值”的需求，最直接且最高效的工具是pandas.Series.cummax()方法。</p><p>cummax()函数的作用是计算Series的累计最大值。它遍历Series中的每个元素，并返回一个新Series，其中每个位置的值是到当前位置为止，原始Series中出现过的最大值。这完美契合了我们的需求。</p><p><strong>实现代码：</strong></p><div class="aritcle_card flexRow artxards">
											<div class="artcardd flexRow">
												<a class="aritcle_card_img" rel="nofollow" href="/xiazai/js/6367" title="科学计算器在线使用工具代码"><img
														src="https://img.php.cn/upload/jscode/000/287/557/60ac5257106f4859.png" alt="科学计算器在线使用工具代码" onerror="this.onerror='';this.src='/static/lhimages/moren/morentu.png'" ></a>
												<div class="aritcle_card_info flexColumn">
													<a rel="nofollow" href="/xiazai/js/6367" title="科学计算器在线使用工具代码" class="overflowclass">科学计算器在线使用工具代码</a>
													<p class="overflowclass">html5 css3制作在线科学计算器ui布局，3D计算器面板，加减乘除数字计算器工具特效。</p>
												</div>
												<a rel="nofollow" href="/xiazai/js/6367" title="科学计算器在线使用工具代码" class="aritcle_card_btn flexRow flexcenter"><b></b><span>下载</span>
												</a>
											</div>
										</div><pre class="brush:php;toolbar:false;"># 使用cummax()函数创建列'c'
df['c'] = df['a'].cummax()

print("\n处理后的DataFrame:")
print(df)

输出结果：

原始DataFrame:
      a  b
0   110  1
1   115  1
2   112  0
3   180  1
4   150  0
5   175  1
6   160  0
7   145  0
8   200  1
9   205  1
10  208  1
11  203  0
12  206  1
13  207  1
14  208  1
15  209  1
16  210  1
17  215  1

处理后的DataFrame:
      a  b    c
0   110  1  110
1   115  1  115
2   112  0  115
3   180  1  180
4   150  0  180
5   175  1  180
6   160  0  180
7   145  0  180
8   200  1  200
9   205  1  205
10  208  1  208
11  203  0  208
12  206  1  208
13  207  1  208
14  208  1  208
15  209  1  209
16  210  1  210
17  215  1  215

从输出可以看出，df['c']列完全符合预期的行为，简洁而高效地实现了累计最大值的跟踪。

扩展：如何生成辅助列 b

原始问题中提到了一个辅助列b，其定义是当df.a > df.a.shift(1)时为1，否则为0。虽然在解决累计最大值问题时b列并非必需，但了解如何程序化地生成它也是一个很好的实践。

可以使用gt()（大于）方法结合shift()来比较当前行与上一行a的值，然后将布尔结果转换为整数：

# 生成列'b'的正确方法
df['b_generated'] = (df['a'] > df['a'].shift(1)).astype(int)

print("\n带有生成b列的DataFrame:")
print(df[['a', 'b', 'b_generated', 'c']])

输出示例：

带有生成b列的DataFrame:
      a  b  b_generated    c
0   110  1            0  110 # shift(1)对于第一行是NaN，比较结果为False
1   115  1            1  115
2   112  0            0  115
3   180  1            1  180
4   150  0            0  180
5   175  1            1  180
6   160  0            0  180
7   145  0            0  180
8   200  1            1  200
9   205  1            1  205
10  208  1            1  208
11  203  0            0  208
12  206  1            1  208
13  207  1            1  208
14  208  1            1  208
15  209  1            1  209
16  210  1            1  210
17  215  1            1  215

注意： 原始数据中的b列与根据规则生成的b_generated列在第一行有所不同。这是因为df.a.shift(1)在第一行会产生NaN，任何与NaN的比较（包括>）都会返回False。如果希望第一行b为1，可能需要对第一行进行特殊处理或调整逻辑。然而，对于本教程的核心问题——计算c列，b列的存在与否或其具体生成方式并不影响cummax()的正确应用。

总结

当需要在一个Pandas Series中跟踪并保留到当前点为止的累计最大值时，pandas.Series.cummax()函数是最佳选择。它提供了一个高度优化且易于理解的解决方案，避免了手动迭代或复杂的自定义函数，极大地提高了代码的简洁性和执行效率。掌握这类Pandas内置的累计函数（如cummin(), cumsum(), cumprod()等）对于高效处理时间序列或顺序数据至关重要。