Python怎么计算环比同比_pct_change()与shift()位移比较-Python教程-PHP中文网

应优先使用 pct_change() 计算环比，它自动处理空值、对齐索引、保留 dtype 且性能更优；手动 shift() 易引发除零、错位及边界错误，仅在需非标准偏移（如二阶环比）时适用。

python怎么计算环比同比_pct_change()与shift()位移比较

直接用 `pct_change()` 算环比，别自己手写 `shift()` 除法

绝大多数场景下，pct_change() 就是专为环比/同比设计的，它自动处理空值、对齐索引、保留原始 dtype，而手动用 shift() 做除法容易漏掉边界情况。比如你有一列月度销售额：df['sales']，直接写 df['sales'].pct_change() 就是标准环比（上月 vs 本月），第一行自动为 NaN —— 这是合理行为，不是 bug。

常见错误现象：
• 手动写 (df['sales'] - df['sales'].shift(1)) / df['sales'].shift(1)，结果第一行变成 NaN，第二行却因分母为 0 或缺失值报 ZeroDivisionError 或 inf
• 忘记 shift() 后索引没变，但做除法时 pandas 会按索引对齐 —— 看似没问题，实则在时间不连续（如跳过周末）时悄悄错位

默认计算「上一期」变化率，即环比；加参数 periods=12 可算同比（需确保索引是规则时间序列，否则可能跨年错配）
内部已优化：比手写 shift() + 四则运算快 10%~20%，尤其在大 DataFrame 上
注意：若索引含重复值，pct_change() 仍能运行，但 shift() 在 groupby 后可能失效 —— 这点很多人忽略

用 `shift()` 的唯一正当理由：要非标准偏移或复合逻辑

当你需要「上上月 vs 上月」这种二阶环比，或者「本月 vs 去年同月平均值」这类混合逻辑时，shift() 才不可替代。此时它不是替代 pct_change()，而是补足其能力边界。

使用场景举例：
• 计算滚动 3 个月同比均值变化：(df['sales'] - df['sales'].shift(12).rolling(3).mean()) / df['sales'].shift(12).rolling(3).mean()
• 处理非等距时间序列（如只记录了每周三数据），想严格按「往前推 4 行」而非「往前推 28 天」

python全能编程助手

SkillSub Pro - Python 题解与代码注释双功能技能功能概述SkillSub Pro - Python 题解与代码注释双功能技能是一项面向实际任务的技能，主要用于SkillSub Pro 是一个 Python 题解生成与代码注释的双功能合体技能，专为学生、算法学习者和开发者设计；✅ 一个技能，两种用途：；核心要点📝 题解模式：输入题目/题号，自动生成完整 Python 题解（含详细注释、解题思路、复杂度分析）；💬 注释模式：输入 Python 代码，自动添加详细中。它将相关步骤、

下载

shift() 返回的是原数据的位移副本，不做任何类型检查或空值抑制 —— 你要自己处理 NaN 和除零
参数 fill_value 很少有用：设成 0 会导致后续除法爆炸；设成 1 又违背业务含义；不如留空让 pandas 自动标 NaN
性能提示：链式调用 .shift().rolling().mean() 比先存中间变量慢，尤其在百万行以上数据中差异明显

`pct_change()` 的 period 参数不是万能的，时间索引必须对齐

写 df.set_index('date')['sales'].pct_change(periods=12) 并不等于「去年同月」—— 它只是机械地取当前行向上数第 12 行的值。如果某个月缺数据（比如 2023-02-29 不存在），那 2024-02 的同比就会和 2023-01 对齐，彻底错位。

错误现象：
• 用 periods=12 算月度同比，结果 2024-03 对应的是 2023-02（正确），但 2024-02 却对应 2023-01（错误）
• df.index.freq 是 None，说明 pandas 不认为这是规则序列，pct_change(periods=12) 就纯按行号算

真正安全的同比：先用 asfreq('MS') 或 resample('MS').first() 补齐月度频率，再用 pct_change(periods=12)
若原始数据是日频，想算「去年同期日」，得用 df.shift(freq='12M')（注意是 shift 方法，不是 shift() 函数），再手动相减除
兼容性注意：freq 参数在 pandas 2.0+ 中对 shift() 支持更好，旧版本建议升级

空值和零值会让两种方法同时翻车，但处理方式不同

pct_change() 遇到前值为 0 时返回 inf 或 -inf，遇到前值为 NaN 时当前结果为 NaN；而手写 shift() 除法会直接抛 RuntimeWarning 或产出 inf，且无法统一控制。这才是线上出问题最多的地方。

统一兜底方案：用 np.where() 包一层，例如 np.where(df['sales'].shift(1) == 0, np.nan, df['sales'].pct_change())
更稳妥的做法是提前过滤或标记异常基期：比如定义「基期销售额
不要依赖 fillna(0)：把 NaN 填成 0 再参与除法，会把「不可比」变成「零增长」，业务上完全失真

真正麻烦的从来不是函数怎么调，而是你有没有确认过「这个『上期』在业务上是否真的可比」—— 数据断点、统计口径变更、节假日错位，这些都比代码多一行少一行要命得多。