本文详解如何使用 pandas 实现“条件重置的累计求和”——即当参考列值为 0 时，新列归零；否则累加当前值与新列前一行的值，巧妙避开显式循环与递归依赖。
本文详解如何使用 pandas 实现“条件重置的累计求和”——即当参考列值为 0 时，新列归零；否则累加当前值与新列前一行的值，巧妙避开显式循环与递归依赖。
在 Excel 中，类似 =IF(A2=0, 0, A2+B1) 的公式可轻松实现“遇零重置的滚动累加”，但在 Pandas 中直接引用尚未生成的新列（如 df['B']）会导致 KeyError 或逻辑错误——因为向量化操作无法天然支持自引用递推。幸运的是，这一需求无需 for 循环或 apply(lambda x: ...) 低效方案，而是可通过 分组 + 累计求和 的组合策略高效解决。
核心思路是将原始序列按“重置点”（即 Column A == 0 的位置）划分为多个连续非零子段（即“streaks”），对每个子段独立执行 cumsum()。关键在于：利用布尔序列的 cumsum() 构建唯一组标识符，使每个新出现的 0 启动一个新组。
以下为完整实现代码：
import pandas as pd
# 示例数据
df = pd.DataFrame({'A': [0, 0, 1, 2, 3, 0, 0, 1, 4]})
# 步骤解析：
# 1. 创建布尔序列：标记每处重置位置
is_reset = df['A'] == 0
# 2. 用 cumsum() 将连续非零段映射到同一组号（0→组0，首次0后→组1，第二次0后→组2...）
group_ids = is_reset.cumsum()
# 3. 按组分组，并对 'A' 列执行组内累计求和 → 即为所求的 Column B
df['B'] = df['A'].groupby(group_ids).cumsum()
print(df)输出结果：
A B 0 0 0 1 0 0 2 1 1 3 2 3 4 3 6 5 0 0 6 0 0 7 1 1 8 4 5
✅ 为什么有效？
- is_reset.cumsum() 生成 [0,1,2,2,2,3,4,4,4]（注意：True 转为 1，累加后形成分组标签）；
- groupby(...).cumsum() 会分别对组 0（索引0）、组 1（索引1）、组 2（索引2–4）、组 3（索引5）、组 4（索引6–8）内 A 值求累积和；
- 因此每个 0 都成为新组起点，其后非零值自然从 0 开始累加，完美复现 Excel 行为。
⚠️ 注意事项：
- 该方法严格依赖 A == 0 作为重置触发条件。若需其他条件（如 A 10)；
- 若首行为非零（如 A[0] != 0），则第一组编号为 0，不影响计算；但若需统一从 1 开始编号，可用 group_ids = is_reset.cumsum() + 1；
- 该方案时间复杂度为 O(n)，远优于 iterrows() 或 shift().fillna(0) 配合 numpy.where 的链式条件（后者易因浮点精度或边界处理出错）。
总结：面对“自引用式累计逻辑”，不要陷入逐行赋值的思维定式。Pandas 的 groupby().cumsum() 是处理“重置型累计”的标准范式——它将状态管理隐式转化为分组问题，兼顾性能、可读性与健壮性。
