基于日期字段的Pandas条件累计求和实现方法

嗨，这个需求其实很好解决，咱们一步步来实现你想要的效果：

首先，得确保你的数据是按DateTime字段排序的（毕竟累计求和是按时间顺序来的），然后我们可以通过构造条件列再做累计求和来得到目标列。

步骤1：准备数据并确保时间顺序正确 #

先把你的数据转换成Pandas DataFrame，并且把DateTime转换成时间类型，同时按时间排序（如果原始数据已经是排好序的，这一步可以简化，但建议还是做一下，避免后续出错）：

import pandas as pd
import numpy as np

# 构造你的数据集
data = {
    'DateTime': ['2025-01-01 13:00', '2025-01-03 13:22', '2025-01-10 12:33',
                 '2025-01-22 10:04', '2025-01-29 09:30', '2025-02-02 15:05'],
    'Tag': [1, 1, 2, 2, 3, 1],
    'Qty': [270, 32, 44, 120, 182, 216]
}

df = pd.DataFrame(data)
# 将字符串转为时间类型
df['DateTime'] = pd.to_datetime(df['DateTime'])
# 按时间排序并重置索引
df = df.sort_values('DateTime').reset_index(drop=True)

步骤2：计算条件累计求和 #

我们可以用np.where来快速生成符合条件的数值列，再对这些列做累计求和（cumsum()），这样就能得到你要的RBQ和RSQ：

# 计算RBQ：Tag不等于2时累加Qty，否则加0（相当于继承之前的累计值）
df['RBQ'] = np.where(df['Tag'] != 2, df['Qty'], 0).cumsum()

# 计算RSQ：Tag等于2时累加Qty，否则加0
df['RSQ'] = np.where(df['Tag'] == 2, df['Qty'], 0).cumsum()

最终结果 #

运行完上面的代码后，你得到的DataFrame就和你想要的结果完全一致了：

为什么这个方法有效？ #

cumsum()是按行顺序累加的，当我们用np.where把不符合条件的Qty替换成0时，累加过程中就不会把这些值加进去，而符合条件的行则会把当前Qty加入累计，这样就完美实现了“仅对符合条件的行按时间累计求和，不符合条件时保持之前的累计值”的需求。

备注：内容来源于stack exchange，提问作者Abdul Gaffoor G K