Pandas实现连续1的累计求和：分组遇0或换组重置计数

这是一个很常见的序列分组累计问题，用 Pandas 可以通过分组+辅助块ID的方式轻松解决，我来一步步给你讲清楚实现思路和代码：

核心逻辑 #

我们需要按Name分组，在每个分组内对连续的1进行累计计数，当遇到0或者分组切换时重置计数。关键是先把每个连续的1序列（被0分隔）标记为独立的“块”，然后在每个块内做累计和，同时保留0的原始值。

步骤1：构造示例DataFrame #

首先我们把你给出的数据转换成可测试的 Pandas DataFrame：

import pandas as pd

# 原始数据
data = [
    ["Name_A", "date1", 1],
    ["Name_A", "date2", 0],
    ["Name_A", "date3", 1],
    ["Name_A", "date4", 1],
    ["Name_A", "date5", 1],
    ["Name_B", "date6", 1],
    ["Name_B", "date7", 1],
    ["Name_B", "date8", 0],
    ["Name_B", "date9", 1],
]
df = pd.DataFrame(data, columns=["Name", "Date", "Value"])

步骤2：标记连续序列的“块ID” #

按Name分组后，我们用(Value == 0).cumsum()生成每个连续序列的块ID：

• 每当遇到0，块ID就会加1，这样每个被0分隔的连续1序列会被分到同一个块里
• 分组切换时，块ID会自动重置（因为groupby会单独处理每个分组）

# 生成每个分组内的块ID
df["block_id"] = df.groupby("Name")["Value"].apply(lambda x: (x == 0).cumsum())

步骤3：计算每个块内的累计和 #

现在我们按Name和block_id双重分组，对Value做累计和：

• 对于Value=0的行，累计和自然是0，完全符合需求
• 对于连续的1，会在同一个块内从1开始递增计数

# 计算最终结果
df["Result"] = df.groupby(["Name", "block_id"])["Value"].cumsum()

# 移除辅助列（可选操作）
df = df.drop("block_id", axis=1)

最终结果 #

运行后你会得到完全符合期望的输出：

Name   Date  Value  Result
0  Name_A  date1      1       1
1  Name_A  date2      0       0
2  Name_A  date3      1       1
3  Name_A  date4      1       2
4  Name_A  date5      1       3
5  Name_B  date6      1       1
6  Name_B  date7      1       2
7  Name_B  date8      0       0
8  Name_B  date9      1       1

简化版代码（合并步骤） #

如果不想保留辅助列，可以把逻辑合并成一行，更简洁：

df["Result"] = df.groupby("Name")["Value"].apply(
    lambda x: x.groupby((x == 0).cumsum()).cumsum()
)

这个方案逻辑清晰且高效，适合处理大规模的数据集。

内容的提问来源于stack exchange，提问作者Milo Ventimiglia