cumsum()需根据数据结构选择用法：series或dataframe列可直接调用，列表或数组需先转换或改用np.cumsum()；默认skipna=true但遇nan后全为nan；返回新对象，非就地操作。
直接用 cumsum() 就行，但得先确认数据结构
如果你的数据在 pandas.Series 或 pandas.DataFrame 的某一列里，cumsum() 是最直接的选择；但要是纯 Python 列表或 numpy.ndarray，它不能直接调用——得先转成 Series 或用 np.cumsum()。
-
list：必须先转pd.Series(my_list).cumsum()或np.cumsum(my_list) -
pd.Series：直接s.cumsum()，支持skipna=True/False控制空值处理 -
pd.DataFrame某列：比如df['col'].cumsum()，返回新 Series，原数据不变 - 注意
cumsum()默认按索引顺序累加，不是按值大小排序后累加
cumsum() 遇到 NaN 怎么办
默认 skipna=True，遇到第一个 NaN 后，后续所有结果都是 NaN（因为累计值“断了”）。这不是 bug，是 pandas 的设计逻辑：一旦中间不可算，后续无法恢复。
- 想跳过
NaN继续累加？不行，cumsum()不支持“忽略并继续”模式 - 替代方案：先用
fillna(0)或ffill()预处理，例如df['col'].fillna(0).cumsum() - 若需保留原始
NaN位置但又想计算非空部分的累计和，得用布尔掩码配合np.cumsum()手动实现
和 numpy.cumsum() 有什么实际区别
核心差异在类型安全和空值处理：numpy.cumsum() 对 NaN 更“沉默”，会照常返回 nan，但不会像 pandas 那样把后面全变成 NaN；而 pandas 版本更严格，也更适合带索引的分析场景。
-
np.cumsum([1, np.nan, 3])→array([1., nan, nan]) -
pd.Series([1, np.nan, 3]).cumsum()→0 1.0<br>1 NaN<br>2 NaN
- 性能上，纯数值数组用
np.cumsum()略快；但涉及标签、缺失值策略、链式操作时，Series.cumsum()更省心 - 别混用：传
pd.Series给np.cumsum()会触发隐式转换，可能丢失索引信息
为什么 df['col'].cumsum() 返回的是新对象
因为 cumsum() 是非就地（not-in-place）操作，所有 pandas 的类似方法（sort_values、dropna 等）默认都这样。你得显式赋值才改变原变量。
- 错误写法：
df['col'].cumsum()—— 结果被丢弃 - 正确写法：
df['col_cum'] = df['col'].cumsum()或df.loc[:, 'col_cum'] = df['col'].cumsum() - 如果真要就地修改某列，只能重新赋值：
df['col'] = df['col'].cumsum() - 别指望
inplace=True参数——cumsum()根本不支持这个参数
cumsum()（比如 df.iloc[10:20]['col'].cumsum()），返回的 Series 索引还是原来的整数索引（10–19），不是从 0 开始的新索引。这点在后续拼接或绘图时容易出错。Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
