本文介绍如何使用 pandas 快速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` 的差值累加得到每日在园人数，再对每日人数求和即得总人天数。
在人员进出管理、园区 occupancy 分析或资源调度场景中，常需统计“人×天”（person-days）这一关键指标——即所有人员在指定时段内停留的总天数。给定每日新增入场人数（entry_persons）与离场人数（exit_persons），我们需动态维护每日在园人数（即库存式累积），并最终求其时间序列之和。
关键逻辑在于：每日在园人数 = 前一日剩余人数 + 今日入场人数 − 今日离场人数。这本质上是一个带初始状态的累积差分过程，而 Pandas 的 cumsum() 正是为此类问题设计的高效工具。
假设原始数据如下：
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]
})只需一行代码即可计算每日在园人数：
df['total_on_campus'] = (df['entry_persons'] - df['exit_persons']).cumsum()
执行后得到：
| day | entry_persons | exit_persons | total_on_campus |
|---|---|---|---|
| 1 | 4 | 0 | 4 |
| 2 | 2 | 1 | 5 |
| 3 | 3 | 4 | 4 |
| 4 | 5 | 0 | 9 |
| 5 | 0 | 1 | 8 |
✅ 注意：cumsum() 默认从首行开始累加，天然契合“第1天无历史存量，直接为当日净流入”的业务前提（即初始园内人数为 0）。若实际存在期初存量（如第0天已有 N 人在园），可先在 DataFrame 首行插入一行 entry=N, exit=0，或直接将 cumsum() 结果加上初始值。
最终累计停留总天数（即所有人的停留天数之和）即为 total_on_campus 列的和：
total_person_days = df['total_on_campus'].sum() # 输出：30
也可一步到位（无需中间列）：
total_person_days = (df['entry_persons'] - df['exit_persons']).cumsum().sum()
⚠️ 注意事项：
- 该方法隐含关键假设：所有离场者均来自此前在园人员（即不出现“负库存”）。若数据中存在某日 exit > 当前累计在园人数，cumsum 结果将为负，业务上不合理。建议增加校验：
net_flow = df['entry_persons'] - df['exit_persons'] if (net_flow.cumsum() < 0).any(): raise ValueError("Detected invalid exit: more people exited than were ever present.") - 若需支持多园区、多分组统计，可结合 groupby(...).apply(lambda g: (g['entry'] - g['exit']).cumsum().sum()) 扩展。
综上，利用 (entry - exit).cumsum() 计算滚动在园人数，再调用 .sum() 汇总，是解决此类“累计人天”问题最简洁、向量化、符合 Pandas 设计哲学的标准解法。
