这篇文章给大家介绍如何正确的使用Pandas_cum累积计算，内容非常详细，感兴趣的小伙伴们可以参考借鉴，希望对大家能有所帮助。
Pandas主要统计特征函数：
| 方法名 | 函数功能 |
|---|---|
| sum() | 计算数据样本的总和（按列计算） |
| mean() | 计算数据样本的算术平均数 |
| var() | 计算数据样本的方差 |
| std() | 计算数据样本的标准差 |
| corr() | 计算数据样本的Spearman（Pearman）相关系数矩阵 |
| cov() | 计算数据样本的协方差矩阵 |
| skew() | 样本值的偏度（三阶矩） |
| kurt() | 样本值的峰度（四阶矩） |
| describe() | 给出样本的基本描述（基本统计量如均值、标准差等） |
cum累积计算函数
cum系列函数是作为DataFrame或Series对象的方法出现的，因此命令格式为D.cumsum()
| 方法名 | 函数功能 |
|---|---|
| cumsum() | 依次给出前1、2、… 、n个数的和 |
| cumprod() | 依次给出前1、2、… 、n个数的积 |
| cummax() | 依次给出前1、2、… 、n个数的最大值 |
| cummin() | 依次给出前1、2、… 、n个数的最小值 |
计算出前n项和：
D=pd.Series(range(0,20)) D.cumsum() 0 0 1 1 2 3 3 6 .... 19 190 dtype: int64
rolling滚动计算函数
rolling_系列是pandas的函数，不是DataFrame或Series对象的方法，其格式为pd.rolling_mean(D,k)，其中每k列计算一次平均值，滚动计算。
| 方法名 | 函数功能 |
|---|---|
| rolling_sum() | 计算数据样本的总和（按列计算） |
| rolling_mean() | 数据样本的算术平均数 |
| rolling_var() | 计算数据样本的方差 |
| rolling_std() | 计算数据样本的标准差 |
| rolling_corr() | 计算数据样本的Spearman（Pearman）相关系数矩阵 |
| rolling_cov() | 计算数据样本的协方差矩阵 |
| rolling_skew() | 样本值的偏度（三阶矩） |
| rolling_kurt() | 样本值的峰度（四阶矩） |
依次对相邻两项求和：
pd.rolling_sum(D,2) 0 NaN 1 1.0 2 3.0 3 5.0 4 7.0 .... 19 37.0 dtype: float64
关于如何正确的使用Pandas_cum累积计算就分享到这里了，希望以上内容可以对大家有一定的帮助，可以学到更多知识。如果觉得文章不错，可以把它分享出去让更多的人看到。
免责声明：本站发布的内容（图片、视频和文字）以原创、转载和分享为主，文章观点不代表本网站立场，如果涉及侵权请联系站长邮箱：is@yisu.com进行举报，并提供相关证据，一经查实，将立刻删除涉嫌侵权内容。
