<think>
我们正在讨论pandas中的pct_change函数。该函数用于计算序列或数据框中元素的百分比变化（即当前元素与前一个元素的相对变化百分比）。
函数定义：pct_change(periods=1, fill_method='pad', limit=None, freq=None, **kwargs)
参数解释：
periods：用于计算的间隔周期，默认为1，即与前一个元素比较。可以设置为负数，表示与后一个元素比较（较少用）。
fill_method：在计算百分比变化之前，对缺失值进行填充的方法。可选值为None, 'ffill', 'bfill'等，默认为None（不填充）。
limit：在填充缺失值时，最大连续填充次数。
freq：在时间序列中，可以指定一个频率字符串或DateOffset来重采样数据（已弃用）。
返回：与输入对象相同形状的对象，包含百分比变化值。
注意：第一个元素没有前一个元素，因此结果中第一个元素为NaN（除非periods设置使得有足够的历史数据）。
示例：
对于序列 [100, 110, 120, 115]：
第一个元素：NaN（因为前面没有数据）
第二个元素：(110-100)/100 = 0.1
第三个元素：(120-110)/110 ≈ 0.0909
第四个元素：(115-120)/120 ≈ -0.0417
在DataFrame中，默认按行计算（即每列分别计算），也可以设置axis参数（默认axis=0，按行即向下移动；axis=1按列，即向右移动）。
我们将通过代码示例详细说明。
</think>### Python中`pct_change()`函数使用详解
`pct_change()`是Pandas库中用于计算**百分比变化率**的核心函数，特别适用于时间序列数据分析。其数学表达式为：
$$ \text{变化率} = \frac{\text{当前值} - \text{前n期值}}{\text{前n期值}} $$
#### 基础用法
```python
import pandas as pd
# 创建示例数据
s = pd.Series([100, 110, 120, 115])
# 计算相邻元素的百分比变化
print(s.pct_change())
```
```bash
0 NaN # 首元素无前值
1 0.100000 # (110-100)/100
2 0.090909 # (120-110)/110
3 -0.041667 # (115-120)/120
```
#### 核心参数详解
1. **`periods`** - 指定比较间隔周期
```python
# 跨两期比较
print(s.pct_change(periods=2))
```
```bash
0 NaN
1 NaN # 前两个位置无足够数据
2 0.200000 # (120-100)/100
3 0.045455 # (115-110)/110
```
2. **`fill_method`** - 缺失值处理
```python
# 前向填充缺失值后计算
s_with_nan = pd.Series([100, None, 120, 115])
print(s_with_nan.pct_change(fill_method='ffill'))
```
```bash
0 NaN
1 0.000000 # 使用前值100填充后计算：(100-100)/100
2 0.200000 # (120-100)/100
3 -0.041667 # (115-120)/120
```
3. **`axis`** - 计算方向（适用于DataFrame）
```python
df = pd.DataFrame({
'A': [10, 15, 20],
'B': [100, 150, 200]
})
# 按行方向计算（默认）
print(df.pct_change(axis=0))
# 按列方向计算
print(df.pct_change(axis=1))
```
#### 时间序列应用
```python
# 创建时间序列数据
dates = pd.date_range('2023-01', periods=4, freq='M')
ts = pd.Series([100, 110, 120, 115], index=dates)
# 计算月环比变化率
print(ts.pct_change(freq='M')) # 等效periods=1
# 计算季度变化率
print(ts.pct_change(freq='Q')) # 等效periods=3
```
#### 性能优化技巧
1. **向量化计算**
避免循环，直接操作整个Series/DataFrame
```python
# 低效做法
results = []
for i in range(1, len(s)):
results.append((s[i] - s[i-1]) / s[i-1])
# 高效做法
s.pct_change()
```
2. **类型转换**
整数转为浮点提高精度
```python
df.astype(float).pct_change()
```
3. **并行处理**
大数据集使用Dask加速：
```python
import dask.dataframe as dd
ddf = dd.from_pandas(df, npartitions=4)
ddf.pct_change().compute()
```
#### 常见问题解决方案
1. **处理首行NaN**
```python
result = s.pct_change().fillna(0) # 填充0
result = s.pct_change().dropna() # 删除NaN
```
2. **计算年同比(YoY)**
```python
# 假设月度数据
yoy = ts.pct_change(periods=12)
```
3. **与`diff()`的区别**
```python
s.diff() # 绝对变化量：s[i] - s[i-1]
s.pct_change() # 相对变化率：(s[i] - s[i-1])/s[i-1]
```
---
扫一扫
194
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
