直接用shift()计算环比会出错，因其仅按行位置平移、不识别时间语义，易导致除零、nan或时间错位；必须确保索引为排序后的datetimeindex，并配合replace(0, pd.na)等处理分母异常，分组场景还需groupby().shift()防跨组污染。

为什么直接用 shift() 计算环比会出错？

因为 shift() 只是把数据往下（或往上）平移，不带任何业务逻辑。直接用 df['value'] / df['value'].shift(1) 会得到除零、NaN 或时间错位的结果——尤其当原始数据有缺失值、非连续日期或索引不是时间类型时。

确保索引是时间类型并按时间排序

环比必须基于严格的时间顺序，而 Pandas 的 shift() 是按行索引位置移动的。如果 DataFrame 索引不是 DatetimeIndex，或者没排序，shift(1) 就可能把“昨天”的值对到“下周三”上。

• 先检查：df.index.dtype 应为 datetime64[ns]
• 如果不是，转成时间索引：df = df.set_index('date').sort_index()（假设列名为 date）
• 再确认无重复/乱序：df.index.is_monotonic_increasing 返回 True 才安全

用 shift() 做安全的环比计算

核心公式是：(current - previous) / previous * 100，但得处理分母为 0 和 NaN 的情况。

Claw Code Suite (Python-Only Edition)

仅使用 Python 将 Claw Code 虚拟化框架与 OpenClaw 集成，提供 184 种工具和 200 多条命令，用于安全分析和代码质量...

下载

• 基础写法：df['mom_pct'] = df['value'].pct_change().mul(100) —— 这最简洁，底层就是 shift() + 安全除法
• 手动实现（便于调试或加条件）：

  prev = df['value'].shift(1)<br>df['mom_growth'] = (df['value'] - prev) / prev.replace(0, pd.NA) * 100

• 注意：replace(0, pd.NA) 比 replace(0, np.nan) 更稳妥，避免后续 fillna() 意外覆盖

遇到多级索引或分组环比怎么办？

比如按产品线分别算月度环比，这时不能全局 shift()，否则 A 产品的 1 月值会被 B 产品的 12 月值除。

• 用 groupby().apply()：df.groupby('product')['value'].pct_change()
• 或显式分组后 shift：df.groupby('product')['value'].shift(1)，再做减法和除法
• 关键点：分组键必须稳定（如 product + month），且组内时间索引已排序；否则先 sort_values(['product', 'date']) 再 set_index(['product', 'date'])

实际中真正卡住人的，往往不是怎么写 shift()，而是没意识到它只认索引位置、不认时间语义——哪怕你看着数据是按天排的，只要索引不是 DatetimeIndex 或没 sort_index()，结果就不可信。

Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！