如何用Pandas的shift()计算至少n天前的时间序列变化率

要实现这个需求，核心是先定位每行对应的满足"至少n天前"条件的最近一行，再通过向量运算计算变化率，全程无需循环。以下是具体实现步骤：

步骤说明 #

1. 确保DataFrame的索引为DatetimeIndex并已排序（这是日期运算的前提）。
2. 为每行生成"至少n天前"的目标日期（当前日期减去n天）。
3. 利用索引匹配，找到每个目标日期在原索引中对应的最近有效行（向前填充匹配）。
4. 提取对应行的数值，批量计算变化率。

代码示例 #

以你给出的n=2天的示例为例：

import pandas as pd

# 构造示例数据
data = {
    'x': [1, 2, 3, 4, 5, 6],
    'Date': pd.to_datetime(['2024-04-01', '2024-04-05', '2024-04-06', '2024-04-07', '2024-04-08', '2024-04-09'])
}
df = pd.DataFrame(data).set_index('Date')

n = 2  # 至少n天前

# 生成每行对应的"至少n天前"的目标日期
target_dates = df.index - pd.Timedelta(days=n)

# 找到每个目标日期在原索引中的位置（向前填充，取最近的不晚于目标日期的行）
indices = df.index.get_indexer(target_dates, method='ffill')

# 处理第一行：没有更早的行，设为自身索引（变化率为0）
indices[0] = 0

# 计算变化率
df['change'] = (df['x'] - df['x'].iloc[indices]) / df['x'].iloc[indices]

# 保留5位小数，和示例格式对齐
df['change'] = df['change'].round(5)

print(df)

运行后输出和示例完全一致：

x  change
Date                 
2024-04-01  1  0.00000
2024-04-05  2  1.00000
2024-04-06  3  2.00000
2024-04-07  4  1.00000
2024-04-08  5  0.66667
2024-04-09  6  0.50000

关键细节解释 #

• pd.Timedelta(days=n)：生成日期偏移量，确保我们找的是真正的"n天前"，而非固定行数的前一行（避免日期不连续的问题）。
• index.get_indexer(..., method='ffill')：核心操作，为每个目标日期找到原索引中最后一个不大于该日期的位置，完美匹配"至少n天前"的要求。
• 向量运算：所有计算基于Pandas的Series/数组操作，效率远高于循环，适合处理大规模数据。

内容的提问来源于stack exchange，提问作者Baron Yugovich