Python案例如何用Pandas做数据分组累计

wen python案例 2026-07-15 1

从零掌握Python Pandas数据分组累计：实战案例与深度解析

目录导读

什么是数据分组累计？为什么重要？
Pandas分组累计的核心函数与逻辑
实战案例一：销售数据的月度累计统计
实战案例二：用户行为的分组累计计算
实战案例三：多维度分组与滚动累计应用
常见错误与优化建议
读者问答环节

什么是数据分组累计？为什么重要？

数据分组累计（Grouped Cumulative）是数据分析中高频使用的技术，它指的是在分组后的数据集内，按指定顺序（通常是时间或索引顺序）对某个数值字段进行逐行累加，统计每个用户每个月的消费累计额，或者查询每个商品品类截至当前日期的总销量。

Python案例如何用Pandas做数据分组累计

为什么要掌握这项技能？因为在业务分析中，我们经常需要回答“截至当前，某个分组下的累计值是多少”，而Pandas提供的groupby()结合cumsum()函数，能让你用三五行代码解决过去需要循环几十行的逻辑。

核心语法：

df.groupby('分组列')['要累计的列'].cumsum()

Pandas分组累计的核心函数与逻辑

1 组合函数

groupby()：指定分组的依据列（如地区、用户ID、类别）
cumsum()：对分组后的数据进行累积求和
cumcount()：计算分组内的累计计数（从0开始）
cummax()/cummin()：分组内的累计最大值/最小值

2 执行顺序

Pandas在执行分组累计时,会自动执行以下步骤：

按groupby指定的列对数据进行分组
在每个分组内部,按数据原有序号（或指定排序）进行逐行计算
返回与原始DataFrame行数一致的累计结果（结果会保留分组标签）

3 排序的重要性

关键提醒：如果不先对数据进行排序，累计值可能不符合业务逻辑，例如按时间累计，必须先用sort_values()对时间列排序，再分组累计。

实战案例一：销售数据的月度累计统计

场景描述：某电商公司记录了2024年每笔订单的日期、商品品类和销售额，需要计算每个品类从1月1日到当前日期的累计销售额。

步骤1：生成模拟数据

import pandas as pd
import numpy as np
data = pd.DataFrame({
    'date': pd.date_range('2024-01-01', periods=100, freq='D'),
    'category': np.random.choice(['A', 'B', 'C'], 100),
    'sales': np.random.randint(100, 500, 100)
})

步骤2：按品类分组，并按日期排序后累计

# 按日期排序（确保时间有序）
data_sorted = data.sort_values(['category', 'date'])
# 分组累计
data_sorted['cum_sales'] = data_sorted.groupby('category')['sales'].cumsum()

步骤3：查看结果与验证

# 查看品类A的前5行
print(data_sorted[data_sorted['category'] == 'A'].head(10))

你会发现每一行的cum_sales列是当前行及之前所有行sales的累加结果，这种数据可以直接用于绘制“累计销售额趋势图”。

问题：如果我想按自然月度分组累计，而不是按行顺序累计？

答：可以先提取月份列df['month'] = df['date'].dt.month，然后按category和month双分组累计，但注意此时累计会按月份维度重新开始计算。

实战案例二：用户行为的分组累计计算

场景：用户行为日志

某个社交平台记录用户的登录行为,数据包含user_id、login_date、duration_min（登录时长分钟），我们要统计每位用户每次登录后的累计登录时长。

user_log = pd.DataFrame({
    'user_id': [1, 1, 1, 2, 2, 2],
    'login_date': ['2024-03-01', '2024-03-05', '2024-03-10',
                   '2024-03-02', '2024-03-08', '2024-03-15'],
    'duration_min': [30, 45, 20, 15, 60, 35]
})
user_log = user_log.sort_values(['user_id', 'login_date'])
user_log['cum_duration'] = user_log.groupby('user_id')['duration_min'].cumsum()

输出解读：用户1第一行为30，第二行为30+45=75，第三行为75+20=95；用户2同理，这个数据可以直观看出用户的活跃度演进。

实战案例三：多维度分组与滚动累计应用

更高阶：groupby + 窗口函数

有时你需要的不只是累计求和,而是“过去N天的累计值”，这时可以组合groupby和rolling函数：

# 核心代码：按user_id分组，对duration_min按日期窗口为2天的累计
user_log['rolling_cum'] = (
    user_log.groupby('user_id')
    .rolling(window=2, on='login_date')['duration_min']
    .sum()
    .reset_index(level=0, drop=True)
)

这个操作在金融数据分析（如股票累计收益率）、网站流量累计统计中极其常用。

常见错误与优化建议

忘记排序导致累计逻辑错误

# ❌ 错误示例
df.groupby('user')['amount'].cumsum()   # 如果原始数据时间乱序，累计值无意义

修正：先df.sort_values(['user', 'date'])再分组。

索引错乱

分组累计后返回的Series索引与原始DataFrame一致,但如果后续需要合并，建议保留多余列：

df['cum'] = df.groupby('group')['value'].cumsum()

优化建议

数据量大时,使用transform代替apply以提高性能
分组前先用reset_index(drop=True)清理索引
如果分组列是浮点数,先转换为类别类型category以节省内存

读者问答环节

Q1：cumsum()和apply(lambda x: x.cumsum())有什么区别？ A：cumsum()是向量化操作，性能远优于apply，建议在数据量超过10万行时优先使用内置方法。

Q2：分组后如何重置累计（比如按年份重新累计）？ A：直接多分组一个年份字段即可。

df.groupby(['user_id', df['date'].dt.year])['value'].cumsum()

年份改变时累计会自动重置为0。

Q3：如果我想统计分组内每行的占比（累计占比）？ A：先计算累计值，再除以分组内总值：

df['cum_percent'] = df.groupby('group')['value'].transform(lambda x: x.cumsum() / x.sum())

Q4：分组累计可以用于字符串或布尔值吗？ A：不可以，累计求和只适用于数值类型，布尔值可以先转为整数（True=1, False=0）。

总结与延伸阅读建议

数据分组累计是数据预处理和特征工程的核心环节,建议收藏本文中三个案例的代码模板，遇到类似需求时直接套用，进阶学习者可以进一步研究：

Pandas官方文档中的groupby章节
窗口函数与离线统计的差异
结合pivot_table做累计透视统计基于Pandas 2.0+版本测试通过，代码可直接复制运行。）