结论：用 pd.series.cumsum() 和 pd.series.cumprod() 最高效；dataframe 上按轴调用也快，但需注意 axis 参数含义和缺失值传播行为。cumsum() 底层调用 numpy 向量化 c 实现，避免 python 解释器开销，100 万行数据耗时约 2ms（远快于 for 循环的 300ms），内存连续、自动跳过 nan 且无类型转换开销；axis=0 按列纵向累积，axis=1 按行横向累积，后者遇首列为 nan 则整行结果为 nan；cumprod() 易受溢出、浮点误差及 0/nan 传播影响，混合类型或乱序索引会显著降速或逻辑错误。
直接说结论：用 pd.Series.cumsum() 和 pd.Series.cumprod() 最高效；DataFrame 上按轴调用也快，但需注意 axis 参数含义和缺失值传播行为。
为什么 cumsum() 比 for 循环快得多？
Pandas 的 cumsum() 底层调用的是 NumPy 的向量化实现，全程在 C 层完成，避免 Python 解释器循环开销。实测 100 万行数据，cumsum() 耗时约 2ms，纯 Python for 循环超 300ms。
- 它不创建中间 Python 列表，内存连续、缓存友好
- 自动跳过
NaN但保留其位置（即从第一个非空值开始累加，前面仍为NaN） - 对
int64或float64类型无类型转换开销；若列含object类型（比如混入字符串），会退化为逐元素调用__add__，速度暴跌
DataFrame.cumsum() 的 axis 参数怎么选？
axis=0（默认）是按列纵向累积：每列独立计算，结果形状不变；axis=1 是按行横向累积：每行从左到右累加，适合“宽表”中对多个指标做行内累计（如每日各产品销量累计）。
Python 3.14.2
下载
Python 3.14.2是Python编程语言在2025年12月5日发布的稳定版本，属于3.14系列的第二个维护更新。该版本包含了18项修复，重点解决了多进程、数据类及正则表达式等模块的回归问题，并修复了CVE-2025-12084等安全漏洞。此版本标志着自由线程模式（移除GIL）正式获得官方支持，是Python发展的重要里程碑。
- 若想对某几列计算，别用
df.cumsum(axis=0)后再切片，而是先选列：df[['a', 'b']].cumsum() -
axis=1时，若某行首列为NaN，该行后续所有累积值都为NaN（因为NaN + anything == NaN），这不是 bug，是 IEEE 754 规则 - 想跳过
NaN做“有效累积”，得先用fillna(0)或ffill()预处理，但要注意业务含义是否允许补零
累积乘积（cumprod）的三个易错点
cumprod() 行为类似 cumsum()，但数值稳定性更敏感，尤其在小数或负数场景下容易溢出或下溢。
- 遇到
0时，之后所有累积乘积恒为0；遇到NaN，之后全为NaN—— 这和cumsum()一致，但影响更隐蔽 - 浮点误差会随长度放大，比如
[1.1] * 50的cumprod()结果与手工 pow(1.1, 50) 可能差 1e-14 量级，通常可忽略，但做金融复利计算时建议用decimal或专门库 - 若需“排除首项”的累积（如第 i 项 = 前 i−1 项乘积），不要手动切片
s.cumprod().shift(1)，而应先s.shift(1).fillna(1).cumprod()，否则shift会把首项变NaN导致整列失效
真正麻烦的是混合类型列或带时序索引的累积操作——前者会强制转 object 降速，后者需确认索引是否已排序（cumsum 不校验顺序，乱序索引下结果不符合时间逻辑）。
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！
