pandas save excel pandas save

本文将探讨如何利用 pandas 库中的 `cummax()` 函数，高效地在数据帧中创建一个新列，该列能够追踪并保留序列中查找的顶点。通过一个实际案例，我们将展示 `cummax()`如何简洁准确地实现复杂数据的累计顶点保持逻辑，避免手动迭代的繁琐，从而优化数据处理流程。引言：追踪并维护序列中的历史顶点

在数据分析和处理中，我们会遇到一个序列中追踪并保留迄今为止所遇到的顶点（或最小值）的需求。例如，在金融数据分析中，可能需要跟踪股票价格的历史最高点；在性能监控中，可能需要记录系统的热点负载。此类问题通常要求创建一个新列，值在遇到更大的新值时更新，否则保持上一个峰值。虽然此类逻辑听起来可能有些复杂，但Pandas 库提供了一个非常简洁且的输入函数来解决它。高效的数据准备

首先，我们通过一个示例 DataFrame 来阐述这个问题。假设我们有一个包含数值列 a 的 DataFrame，我们希望创建一个新列 c，创建在每个点上都表示 a 列从开始到当前位置的顶端。 import pandas as pddf = 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]， # 本教程中列 'b' 不直接用于计算 'c' })print(quot；原始DataFrame：quot；)print(df)登录后复制

原始 DataFrame输出： a b0 110 11 115 12 112 03 180 14 150 05 175 16 160 07 145 08 200 19 205 110 208 111 203 012 206 113 207 114 208 115 209 116 210 117 215 1登录后复制问题分析与期望结果

原始问题描述中，用户尝试通过一个辅助列b来标识一列的递增趋势，进一步并思考了复杂的“连胜（streak）”概念，希望在连胜结束时连赢的顶端，直到遇到更大的新值才更新。然而，仔细分析用户提供的期望输出c列，可以发现其行为模式实际上与 pandas.Series.cummax() 函数的功能完全一致。其次，c 列在任何时刻都存储着 a 列从开始到当前位置所遇到的巅峰。

期望输出 c 列的逻辑：c 的第一个值是 a 的第一个值。对于后续的每个位置，c 的值是当前 a 的值与前一个 c 的值中的增量者。

例如：c[0] = a[0] = 110c[1] = max(a[1]， c[0]) = max(115， 110) = 115c[2] = max(a[2]， c[1]) = max(112， 115) = 115 (因为 112 不大于 115)c[3] = max(a[3]， c[2]) = max(180， 115) = 180之类的推...解决方案：pandas.Series.cummax()

Pandas库为这种累积计算提供了专门的函数，其中Series.cummax()就是用于计算序列迭代的函数。它会遍历Series中的每个元素，并返回一个新的Series，其中每个位置的值是到该位置存储所有元素的累积函数。

实现代码：落笔AI

AI写作，AI写网文、AI写长篇小说、短篇小说41查看详情 # 使用cummax()计算列 'c'df['c'] = df['a'].cummax()print(quot；\n生成'c'列后的DataFrame：quot；)print(df)登录后复制

输出结果： a b c0 110 1 1101 115 1 1152 112 0 1153 180 1 1804 150 0 1805 175 1 1806 160 0 1807 145 0 1808 200 1 2009 205 1 20510 208 1 20811 203 0 20812 206 1 20813 207 1 20814 208 1 20815 209 1 20916 210 1 21017 215 1 215登录后复制

从输出结果可以看出，df['c'] = df['a'].cummax()完美地实现了期望的逻辑，即在a列中遇到更大的值时更新c，否则保持当前的峰值。

cummax()函数解

pandas.Series.cummax()是一个强大的函数，它属于Series对象的方法，用于执行累加累加计算。

工作原理：它从Series的第一个元素开始。对于每个元素，则与其所有元素的累加进行比较。如果当前元素大于累进之前，累加更新为当前元素的值。否则，累加保持不变。这个累进被记录在新的Series中的对应位置。

参数说明：axis：默认为 None。对于 Series，参数没有意义。对于 DataFrame，可以指定按行或按列计算。skipna：默认为 True。表示在计算时跳过 NaN（非数字）值。如果设置为 False，则 NaN 值将传播，则此累积过程中遇到 NaN，后续结果都将为 NaN。

示例（skipna 参数）：s = pd.Series([1， 3， 无， 2， 5])#skipna=True (默认行为)print(quot；skipna=True：quot；)print(s.cummax())# 输出： 0 1.0# 1 3.0# 2 3.0 (None 跳过，保留前面一个顶部被)# 3 3.0# 4 5.0# dtype： float64# Skipna=Falseprint(quot；\nskipna=False：quot；)print(s.cummax(skipna=False))# 输出： 0 1.0# 1 3.0# 2 NaN (遇到 None 后传播 NaN)# 3 NaN# 4 NaN# dtype： float64 登录后复制注意事项与总结简洁性与效率： cummax() 函数是高度的 C语言实现，比手动编写循环来计算需要花费很长时间要快速复制，尤其是在处理大型数据集时。问题阐明：在实际工作中，对有时问题的可能比实际需求更复杂。本描述案例中，尽管原始问题描述了复杂的“连赢”和 b 列逻辑，但最终期望的 c 列输出却直接对应 cummax() 的功能。因此，理解核心需求将其映射到 Pandas 的内置功能是高效解决问题的关键。适用场景： cummax() 不仅适用于追踪数值序列的历史顶点，其对应的 cummin() 可用于追踪历史记录，cumsum() 用于填充和，cumprod()用于累积乘积。这些函数在时间分析、性能指标计算、数据规范化等多个场景下都非常有用。

通过 pandas.Series.cummax()，我们以极高的效率和简洁性解决 DataFrame 中维护历史要点的问题。掌握这些内置函数是提升 Pandas 数据处理能力的重要一步。

以上就是使用Pandas cummax()维护序列中的历史峰值的详细，更多请关注乐哥常识网其他文章相关！ 相关标签：金融pandas循环对象数据分析大家都看：Python特殊方法文档中的对象。 Python入门社区如何参与_Python入门开发者社区的溶液指南 Python网页版如何集成支付功能_Python网页版支付接口集成与安全设置