如何在季度数据集上按Item计算全指标的环比差值？

你的核心需求是按items分组，对每个分组内的所有metric计算环比差值，直接用df.diff()会混淆不同item的周期数据，所以必须结合分组逻辑处理，以下是高效简洁的实现方案：

步骤1：规范数据顺序 #

先把period转为日期格式，再按items和period排序，保证每个item的周期是时间递增顺序：

import pandas as pd

df['period'] = pd.to_datetime(df['period'])
df = df.sort_values(['items', 'period']).reset_index(drop=True)

步骤2：批量计算分组环比差值 #

利用groupby配合diff()，一次性处理所有metric列，生成对应的差值列：

# 自动筛选所有metric列（如果列名有固定规律，比如包含'metric'）
metric_cols = [col for col in df.columns if 'metric' in col]
# 分组计算环比差值，新增列命名为`diff_原列名`
df[[f'diff_{col}' for col in metric_cols]] = df.groupby('items')[metric_cols].diff()

可选：计算环比增长率 #

如果需要的是增长率（(当期值-上期值)/上期值），把diff()替换为pct_change()即可：

df[[f'pct_{col}' for col in metric_cols]] = df.groupby('items')[metric_cols].pct_change() * 100

方案优势 #

• 原生pandas方法，性能高效，处理30个metric毫无压力，远快于循环遍历
• 代码简洁，无需额外复杂逻辑，自动保留原数据结构
• 第一个周期因无前置数据会显示NaN，符合业务逻辑

处理后示例结果 #

内容的提问来源于stack exchange，提问作者ChrisLK