基于另一DataFrame的条件累积求和（Conditional Cumsum）实现求助

核心思路是给条件表中每一行的连续相同值生成分组标识，再基于这个分组对求和表做行内的累积求和——条件变化时分组自动重置，自然就能实现累积求和的断点重置。

步骤1：构造示例数据 #

先把你给出的表格转成pandas DataFrame：

import pandas as pd

# 求和表
sum_df = pd.DataFrame({
    '求和': ['X', 'Y', 'Z'],
    '01-Jan': [100, 250, 300],
    '02-Jan': [100, 100, 300],
    '03-Jan': [100, 150, 300]
}).set_index('求和')

# 条件表
cond_df = pd.DataFrame({
    '条件': ['X', 'Y', 'Z'],
    '01-Jan': [0, 1, 1],
    '02-Jan': [0, 2, 2],
    '03-Jan': [0, 2, 3]
}).set_index('条件')

步骤2：生成行内分组标识 #

对条件表的每一行，判断当前列的值是否和前一列不同，不同则分组编号加1，这样连续相同的条件会被分到同一组：

# 计算每行的分组标识：初始为1，当前值≠前值时加1
group_ids = cond_df.ne(cond_df.shift(axis=1)).cumsum(axis=1)

生成的group_ids如下：

步骤3：按分组做行内累积求和 #

用groupby按行索引和分组标识分组，对求和表做cumsum：

# 按行索引+分组标识分组，逐组计算累积求和
result = sum_df.groupby([sum_df.index, group_ids], axis=1).cumsum()

最终结果 #

把结果整理成你要的格式：

# 重置索引并改名，匹配预期输出格式
result = result.reset_index().rename(columns={'求和': '预期结果'})
print(result)

输出：

为什么原生cumsum不行？ #

原生cumsum(axis=1)是整行无断点累积，不会根据条件拆分分组。而上面的方法通过生成分组标识，把每行拆分成多个连续相同条件的子组，每个子组内单独做累积求和，完美匹配你的需求。

内容的提问来源于stack exchange，提问作者WUPD