使用Pandas cummax 函数高效跟踪数据流中的累计最大值

---

本文详细介绍了如何在Pandas DataFrame中高效地创建一个新列，该列能够跟踪并保留数据流中遇到的累计最大值。通过利用Pandas内置的`cummax()`函数，可以简洁而优雅地解决当序列值增加时更新最大值，并在值下降时保持前一个最大值的需求，避免了复杂的迭代或分组逻辑。

需求概述：跟踪并保留累计最大值

在数据分析场景中，我们经常需要处理序列数据，并希望在一个新列中记录某个特定指标的“历史最高点”。具体来说，需求是这样的：对于DataFrame中的一列（例如a），我们希望创建一个新列c。c列的每个值应是到当前行为止，a列中出现过的最大值。这意味着，如果当前行的a值大于c列的当前值（即之前的累计最大值），那么c列就更新为这个新的最大值；如果当前行的a值小于或等于c列的当前值，c列则保持不变，继续保留之前的累计最大值。

让我们通过一个具体的DataFrame示例来阐明这一需求：

import pandas as pd

df = pd.DataFrame(
    {
        'a': [110, 115, 112, 180, 150, 175, 160, 145, 200, 205, 208, 203, 206, 207, 208, 209, 210, 215],
        'b': [1, 1, 0, 1, 0, 1, 0, 0, 1, 1, 1, 0, 1, 1, 1, 1, 1, 1], # 'b'列在此问题中作为辅助理解，但并非解决核心问题的必要条件
    }
)

print("原始DataFrame:")
print(df)

期望得到的输出df['c']列如下：

      a  b    c
0   110  1  110
1   115  1  115
2   112  0  115 # a[2]=112 < c[1]=115, c保持115
3   180  1  180
4   150  0  180 # a[4]=150 < c[3]=180, c保持180
5   175  1  180 # a[5]=175 < c[4]=180, c保持180
6   160  0  180
7   145  0  180
8   200  1  200
9   205  1  205
10  208  1  208
11  203  0  208 # a[11]=203 < c[10]=208, c保持208
...

传统思路与潜在复杂性

初次面对这类问题时，开发者可能会倾向于考虑使用循环、条件判断，或者利用groupby结合一些自定义函数来识别“连续上涨”的“streak”并提取其中的最大值。例如，尝试通过df['b'].ne(df['b'].shift()).cumsum()来标识连续块，然后对这些块进行max操作。这种方法虽然在某些分组场景下有效，但对于单纯的“累计最大值”问题而言，会引入不必要的复杂性，并且可能效率较低。

简洁高效的解决方案：pandas.Series.cummax()

Pandas库为这类累计计算提供了非常强大的内置函数。针对“累计最大值”的需求，最直接且最高效的工具是pandas.Series.cummax()方法。

cummax()函数的作用是计算Series的累计最大值。它遍历Series中的每个元素，并返回一个新Series，其中每个位置的值是到当前位置为止，原始Series中出现过的最大值。这完美契合了我们的需求。

实现代码：

会译·对照式翻译

会译是一款AI智能翻译浏览器插件，支持多语种对照式翻译

79 查看详情

# 使用cummax()函数创建列'c'
df['c'] = df['a'].cummax()

print("\n处理后的DataFrame:")
print(df)

输出结果：

原始DataFrame:
      a  b
0   110  1
1   115  1
2   112  0
3   180  1
4   150  0
5   175  1
6   160  0
7   145  0
8   200  1
9   205  1
10  208  1
11  203  0
12  206  1
13  207  1
14  208  1
15  209  1
16  210  1
17  215  1

处理后的DataFrame:
      a  b    c
0   110  1  110
1   115  1  115
2   112  0  115
3   180  1  180
4   150  0  180
5   175  1  180
6   160  0  180
7   145  0  180
8   200  1  200
9   205  1  205
10  208  1  208
11  203  0  208
12  206  1  208
13  207  1  208
14  208  1  208
15  209  1  209
16  210  1  210
17  215  1  215

从输出可以看出，df['c']列完全符合预期的行为，简洁而高效地实现了累计最大值的跟踪。

扩展：如何生成辅助列 b

原始问题中提到了一个辅助列b，其定义是当df.a > df.a.shift(1)时为1，否则为0。虽然在解决累计最大值问题时b列并非必需，但了解如何程序化地生成它也是一个很好的实践。

可以使用gt()（大于）方法结合shift()来比较当前行与上一行a的值，然后将布尔结果转换为整数：

# 生成列'b'的正确方法
df['b_generated'] = (df['a'] > df['a'].shift(1)).astype(int)

print("\n带有生成b列的DataFrame:")
print(df[['a', 'b', 'b_generated', 'c']])

输出示例：

带有生成b列的DataFrame:
      a  b  b_generated    c
0   110  1            0  110 # shift(1)对于第一行是NaN，比较结果为False
1   115  1            1  115
2   112  0            0  115
3   180  1            1  180
4   150  0            0  180
5   175  1            1  180
6   160  0            0  180
7   145  0            0  180
8   200  1            1  200
9   205  1            1  205
10  208  1            1  208
11  203  0            0  208
12  206  1            1  208
13  207  1            1  208
14  208  1            1  208
15  209  1            1  209
16  210  1            1  210
17  215  1            1  215

注意： 原始数据中的b列与根据规则生成的b_generated列在第一行有所不同。这是因为df.a.shift(1)在第一行会产生NaN，任何与NaN的比较（包括>）都会返回False。如果希望第一行b为1，可能需要对第一行进行特殊处理或调整逻辑。然而，对于本教程的核心问题——计算c列，b列的存在与否或其具体生成方式并不影响cummax()的正确应用。

总结

当需要在一个Pandas Series中跟踪并保留到当前点为止的累计最大值时，pandas.Series.cummax()函数是最佳选择。它提供了一个高度优化且易于理解的解决方案，避免了手动迭代或复杂的自定义函数，极大地提高了代码的简洁性和执行效率。掌握这类Pandas内置的累计函数（如cummin(), cumsum(), cumprod()等）对于高效处理时间序列或顺序数据至关重要。

以上就是使用Pandas cummax 函数高效跟踪数据流中的累计最大值的详细内容，更多请关注其它相关文章！

# 递归  # 多维  # 这类  # 布尔  # 自定义  # 创建一个  # 工具  # 保定综合运输网站建设  # 网站推广不续费会关闭吗  # 专业公司推广网站建设  # 靖江网站建设什么价格  # 房山区公司网站建设推广  # 盘锦公司推广员招聘网站  # 寮步电子网站推广计划  # seo准  # 谷歌seo在哪里赚钱  # 中影电影网站建设  # 这一  # 迭代  # 是一个  # 掩码 

相关栏目： 【 Google疑问12 】 【 Facebook疑问10 】 【 优化推广96088 】 【 技术知识133117 】 【 IDC资讯59369 】 【 网络运营7196 】 【 IT资讯61894 】

相关推荐： 铁路12306官网登录入口 铁路12306在线购票官方平台  DeepSeek超全面指南：入门必看  背部总是隐隐作痛怎么回事 背痛如何改善  Composer reinstall命令重装损坏的包  iPhone 13 mini如何清理Safari缓存_iPhone 13 mini浏览器缓存清理方法  VS Code的时间线(Timeline)视图：您的代码时光机  Google Drive API 认证：服务账户与OAuth 2.0的选择与实践  Go Goroutine调度与并发执行深度解析  漫蛙app官方版手机正版入口-漫蛙漫画manwa在线漫画正版入口  word页码灰色不能用如何解决  mysql镜像配置如何设置用户权限组_mysql镜像配置用户组与权限分级管理方法  Python类装饰器动态修改方法时的类型提示：Mypy插件实现精确静态分析  《桃源记2》资源采集攻略  小红书网页版怎么进 小红书网页版通用入口  电脑视频号|直播|如何分享屏幕  C++二维数组动态分配方法_C++指针与数组内存布局  mysql如何回滚事务_mysql ROLLBACK事务回滚方法  《真我》申请退款方法  济南公交卡手机充值指南  51漫画网实时入口 51漫画网页版官方免费漫画入口  《王者荣耀世界》英雄获取攻略  Sublime Text怎么关闭自动完成_Sublime禁用Auto Complete设置  QQ邮箱官方登录页_腾讯出品安全稳定的邮箱服务  Go语言中方法接收器的选择：值类型还是指针类型？  智慧团建活动报名入口 智慧团建活动报名入口手机端官网​  创建快捷方式启动系统保护  《全民k歌》网页版最新登录入口一览  如何解决Casbin日志与应用日志不统一的问题，使用casbin/psr3-bridge实现无缝集成  yy漫画登录页面官方入口_yy漫画在线阅读网址入口  J*aScript模拟悬停与点击：自动化网页动态元素交互指南  教育查询官方网站入口 教育个人档案查询免费官网  C#解析并修改XML后保存 如何确保格式与编码的正确性  TikTok视频播放中断怎么办 TikTok播放异常修复方法  Dash应用中自定义HTML页面标题与网站图标（F*icon）的实用指南  《火花chat》搜索好友方法  QQ网页版官方账号登录入口 QQ网页版网页版入口快速导航  行者app怎样导出日志  智学网成绩单查询系统网_智学网学生平台登录  React应用中Commerce.js数据加载与状态管理最佳实践  《盗墓笔记手游》技能介绍  魔法祈幻界兑换码礼包大全  掌握Go App Engine项目结构与GOPATH：包管理与导入实践  WooCommerce 新客户订单自动添加管理员备注教程  lol小红书怎么|直播|？lol小红书|直播|是什么意思？  如何用Golang优化微服务间请求性能_Golang 微服务请求性能优化方法  苹果电脑如何快速截图并编辑 苹果电脑截屏标注快捷操作  快手网页版官方访问 快手网页版页面在线打开  苹果官网国补入口在哪  深入理解Python对象引用与链表属性赋值  知音漫客官网首页入口_知音漫客热门漫画推荐 

 2025-11-20