如何在Pandas中实现自定义逐行累积计算（非循环方式）

Pandas原生的逐行累积函数仅包含cummin、cummax、cumsum、cumprod，针对自定义累积逻辑（如下一行结果 = 当前行原始值 + 上一行结果的1/2），除了低效的逐行循环外，有两种更高效的实现方式：

示例场景的循环实现 #

先明确需求对应的原循环代码：

import pandas as pd
df = pd.DataFrame({"A":[1,2,3]})
for i in range(1, len(df)):
    df.loc[i, "A"] = df.loc[i, "A"] + df.loc[i-1, "A"]*1/2

执行后df['A']结果为[1, 2.5, 4.25]。

方法一：数学公式推导（向量化实现） #

先拆解递推逻辑的数学规律：
设原始序列为a₀, a₁, a₂，结果序列为x₀, x₁, x₂，则：

• x₀ = a₀
• x₁ = a₁ + 0.5*x₀ = a₁ + 0.5*a₀
• x₂ = a₂ + 0.5*x₁ = a₂ + 0.5*a₁ + (0.5)²*a₀
  以此类推，xₙ是原始序列与等比权重序列[1, 0.5, (0.5)², ..., (0.5)ⁿ]的卷积结果。

用Pandas+Numpy实现：

import pandas as pd
import numpy as np

df = pd.DataFrame({"A":[1,2,3]})
# 生成等比权重数组，长度与原始序列一致
weights = (0.5) ** np.arange(len(df))
# 计算卷积并截取有效结果
df['A'] = np.convolve(df['A'], weights, mode='full')[:len(df)]

该方法完全向量化，避免了循环，适合可推导数学规律的自定义累积场景。

方法二：Numba JIT编译加速循环 #

如果递推逻辑复杂到无法推导公式，可借助Numba对循环进行JIT编译，大幅提升执行效率（速度接近纯C代码）：

import pandas as pd
from numba import jit
import numpy as np

@jit(nopython=True)
def custom_cumulative(arr):
    result = np.empty_like(arr)
    result[0] = arr[0]
    for i in range(1, len(arr)):
        result[i] = arr[i] + result[i-1] * 0.5
    return result

df = pd.DataFrame({"A":[1,2,3]})
df['A'] = custom_cumulative(df['A'].values)

此方法保留了原循环的逻辑直观性，同时解决了Pandas逐行循环效率低下的问题。

内容的提问来源于stack exchange，提问作者PierXuY