如何衡量数据新增变化？问询每周平均新增数据量计算方法

首先要明确你的data列代表的是每周新增量还是累计数据量——这是问题的核心：

1. 如果data是累计数据量（你可能写错了示例数据） #

你描述的“8月25日新增31，9月1日又新增31，相当于100%增长”，对应的累计数据应该是[31, 62, 93]（而非全31）。这种情况下：

计算每周新增绝对量 #

用diff()直接计算相邻周的累计差值，就是当周新增量：

import pandas as pd

d = {'date':['2019-08-25', '2019-09-01', '2019-09-08'],
     'data':[31, 62, 93]}
df_sample = pd.DataFrame(data=d)

# 计算每周新增量
df_sample['weekly_increase'] = df_sample['data'].diff()

计算每周增长率及平均增长率 #

用pct_change()计算累计数据的环比增长率，再求平均：

# 计算每周增长率
df_sample['growth_rate'] = df_sample['data'].pct_change()

# 算术平均增长率
avg_growth_arithmetic = df_sample['growth_rate'].mean()

# 几何平均增长率（更适合复利增长场景，结果更准确）
n = len(df_sample)
avg_growth_geometric = (df_sample['data'].iloc[-1] / df_sample['data'].iloc[0]) ** (1/(n-1)) - 1

2. 如果data确实是每周新增量（示例数据正确） #

此时你的data列数值全为31，说明每周新增量没有变化，diff()和pct_change()返回0是正确结果。如果你的需求是计算累计数据的平均增长，需要先转换为累计值再计算：

import pandas as pd

d = {'date':['2019-08-25', '2019-09-01', '2019-09-08'],
     'data':[31, 31, 31]}
df_sample = pd.DataFrame(data=d)

# 计算累计数据量
df_sample['cumulative_data'] = df_sample['data'].cumsum()

# 计算累计数据的增长率
df_sample['growth_rate'] = df_sample['cumulative_data'].pct_change()

# 算术平均增长率
avg_growth_arithmetic = df_sample['growth_rate'].mean()

# 几何平均增长率
n = len(df_sample)
avg_growth_geometric = (df_sample['cumulative_data'].iloc[-1] / df_sample['cumulative_data'].iloc[0]) ** (1/(n-1)) - 1

为什么你的原方法返回0？ #

因为你提供的示例数据中data列数值完全相同，diff()计算的是相邻值的差值（31-31=0），pct_change()计算的是相对变化率（(31-31)/31=0），这是符合逻辑的结果，不符合预期是因为你混淆了“新增量”和“累计量”的概念。

内容的提问来源于stack exchange，提问作者Wolfy