Pandas多层索引下如何实现二维联合反向累计和计算

你需要计算的是二维相空间的二维后缀和，即每个坐标点累加所有横、纵坐标都大于等于自身的点的取值，不需要写显式循环，基于你已经在用的反向cumsum逻辑，做两次维度的反向累计即可实现。

前置准备 #

计算前必须先把DataFrame按v1升序、v2升序排序，乱序会直接导致计算结果错误。

# 排序后重置索引，避免索引错位
df = df.sort_values(['v1', 'v2'], ascending=[True, True]).reset_index(drop=True)

方法1：两次分组cumsum（适合规整网格数据） #

如果你的v1、v2是完整的网格组合（每个v1对应所有v2取值，和你给出的示例结构一致），直接两次反向分组累计即可，性能最好：

# 第一步：在每个v1分组内，计算v2维度的反向累计和
df['temp_col'] = df.loc[::-1].groupby('v1')['value'].cumsum()[::-1]
# 第二步：在每个v2分组内，计算v1维度的反向累计和，即为最终结果
df['output'] = df.loc[::-1].groupby('v2')['temp_col'].cumsum()[::-1]
# 删除临时列
df.drop(columns='temp_col', inplace=True)

方法2：透视表计算（适合有缺失组合的非规整数据） #

如果你的v1、v2存在缺失的组合（不是每个v1都覆盖所有v2取值），用透视转宽表计算二维后缀和再转回长表的方法更稳妥，不会因为缺行漏算：

# 转成v1为行索引、v2为列索引的宽表，缺失组合的取值填0
pivot_tbl = df.pivot(index='v1', columns='v2', values='value').fillna(0)
# 先把行列都倒序，连续做两次轴向cumsum，再把行列顺序转回原顺序，得到全量二维后缀和
suffix_sum_tbl = pivot_tbl.loc[::-1, ::-1].cumsum(axis=0).cumsum(axis=1).loc[::-1, ::-1]
# 把计算结果合并回原DataFrame
df = df.merge(suffix_sum_tbl.stack().rename('output'), on=['v1', 'v2'])

结果验证 #

以上两种方法跑你提供的示例数据，输出完全匹配预期：

计算逻辑很直观：第一次cumsum先把同一v1下所有v2更大的值累加完，第二次cumsum再把同一v2下所有v1更大的累加结果做累加，两次计算刚好覆盖所有v1'>=v1 且 v2'>=v2的取值。

内容的提问来源于stack exchange，提问作者D. Antony