在Pandas多级索引DataFrame中使用cumsum方法实现累计计算

嘿，我完全get到你的需求了——就是要按Stock分组，对Stock_RES列做组内累计求和，得到你示例里WANTED列的效果对吧？用pandas的groupby+cumsum组合就能完美解决，步骤超简单：

核心代码 #

直接针对你的多级索引DataFrame执行以下代码即可：

# 按Stock（多级索引的第一级）分组，对Stock_RES列做组内累计求和
df['WANTED'] = df.groupby(level='Stock')['Stock_RES'].cumsum()

如果你习惯用索引位置来指定分组键（Stock是第0级索引），也可以这么写：

df['WANTED'] = df.groupby(level=0)['Stock_RES'].cumsum()

为什么这能生效？ #

• groupby(level='Stock')会把DataFrame按每个Stock单独拆分成子组，比如ALKM、ANDI、APPZ各自成组；
• cumsum()会在每个子组内从第一条记录开始，逐步累加Stock_RES的值，正好和你给出的WANTED列结果完全匹配（微小的浮点差异是正常的精度问题）。

验证示例（拿ALKM组举例） #

• 第一条记录：-53.85 → 累计和就是-53.85
• 第二条记录：-53.85 + 111.11 = 57.26
• 第三条记录：57.26 + 233.33 = 290.59（和你的290.60是浮点精度导致的细微差别）
• 后续记录的累加逻辑也完全一致，完美符合预期。

额外提示（如果还没设置多级索引） #

如果你的原始数据还没把Stock和Date设为多级索引，先执行这一步：

df = df.set_index(['Stock', 'Date'])

内容的提问来源于stack exchange，提问作者J Westwood