本文介绍如何使用 pandas 高效计算每日在园人数及所有人累计停留天数，核心是通过 `entry - exit` 的累积和（cumsum）建模人员净留存，并对每日在园人数求和得到总人天数。
在人员进出管理类场景（如园区、宿舍、访客系统）中，常需统计“总人天数”（total person-days）——即所有人员在园区内停留的天数之和。给定每日新增进入人数（entry_persons）与当日离开人数（exit_persons），我们需推算出每日实际在园人数，再对其累加，即可得总人天数。
关键逻辑在于：
- 每日在园人数 = 前一日在园人数 + 当日进入人数 − 当日离开人数；
- 初始日（day 1）无前序存量，故在园人数 = entry_persons[0] − exit_persons[0]；
- 这正符合「差值序列的累积和」（cumulative sum of net flow）模型。
使用 Pandas 可一行完成该计算：
import pandas as pd
df = pd.DataFrame({
'day': [1, 2, 3, 4, 5],
'entry_persons': [4, 2, 3, 5, 0],
'exit_persons': [0, 1, 4, 0, 1]
})
# 计算每日在园人数（即“存量”）
df['in_campus'] = (df['entry_persons'] - df['exit_persons']).cumsum()
# 输出结果
print(df)运行后得到：
day entry_persons exit_persons in_campus 0 1 4 0 4 1 2 2 1 5 2 3 3 4 4 3 4 5 0 9 4 5 0 1 8
此时，in_campus 列即为每日结束时的实际在园人数（等价于次日开始时的存量）。而题目所求的「总停留天数」，正是将这 5 天的在园人数相加：
total_person_days = df['in_campus'].sum() # → 30
✅ 注意事项：
- 该方法隐含假设：所有人在当日进入后即计入当日停留，且当日离开者不计当日停留（符合常规业务逻辑：如早 9 点入、晚 6 点离，计为 1 天）；
- 若需支持更精细的时间粒度（如按小时进出），应转为事件驱动的时间序列（如用 pd.to_datetime + resample），而非日级汇总；
- exit_persons 不可超过当前存量（否则 cumsum 会出现负值），生产环境中建议添加校验：
assert (df['in_campus'] >= 0).all(), "Exit exceeds current occupancy!"
综上，df['entry'] - df['exit'].cumsum() 是解决此类“动态存量+累计人天”问题的简洁范式，兼具可读性与执行效率，适用于千万行级日志聚合分析。
