Python怎么计算累积求和_cumsum()与累积最大值cummax()-Python教程-PHP中文网

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。

python怎么计算累积求和_cumsum()与累积最大值cummax()

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

。

python-flask-vue-creator

创建 Flask + Vue.js 全栈项目，采用单端口架构、uv 依赖管理、结构化日志和生产级前端设计。当用户要求以下操作时触发：创建新的 Flask+Vue 项目、搭建 Web 应用、构建全栈 Python+Vue 应用、初始化 Flask Web 项目、设置单端口 Flask 前后端项目。触发词：新建项目、创建项目、搭建项目、Flask项目、Vue项目。

下载

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 Python itertools.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

实际用的时候，最麻烦的不是语法，而是搞不清数据当前是 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。