如何用Pandas计算多数据点指定日期区间收益率并保留目标日期

你的问题出在排序方向和pct_change()的计算逻辑上：你按日期降序排列后，pct_change()会把后一行（1月数据）和前一行（2月数据）的比值结果放到1月的行里，完全搞反了对应关系。

下面是两种直接解决问题的方法：

方法1：先聚合月度价格再合并 #

这种方法先提取每个标的1月和2月的最终价格，计算收益率后再关联回2月的原始数据行。

import pandas as pd

# 确保日期列是datetime类型
df['Date'] = pd.to_datetime(df['Date'])

# 筛选2023年1-2月的数据
df_filtered = df[(df['Date'].dt.year == 2023) & (df['Date'].dt.month.isin([1, 2]))]

# 按标的和月份聚合，取每个月最后一天的价格
monthly_prices = df_filtered.groupby(
    ['Identifier', df_filtered['Date'].dt.month]
)['Price'].last().unstack()  # 把月份转成列

# 计算收益率：(2月价格/1月价格)-1
monthly_prices['Returns'] = (monthly_prices[2] / monthly_prices[1]) - 1

# 合并收益率到2月的原始数据行
result = df_filtered[df_filtered['Date'].dt.month == 2].merge(
    monthly_prices[['Returns']].reset_index(),
    on='Identifier',
    how='left'
)

方法2：直接在原始数据中计算 #

这种方法在排序后的数据集里，通过分组提取每个标的的1月价格，直接计算2月行的收益率。

import pandas as pd

# 确保日期列是datetime类型
df['Date'] = pd.to_datetime(df['Date'])

# 筛选2023年1-2月的数据并按标的、日期升序排列
df_sorted = df[
    (df['Date'].dt.year == 2023) & (df['Date'].dt.month.isin([1, 2]))
].sort_values(['Identifier', 'Date'])

# 分组提取每个标的1月的最终价格
df_sorted['Jan_Price'] = df_sorted.groupby('Identifier')['Price'].transform(
    lambda x: x[x.index.month == 1].iloc[-1] if any(x.index.month == 1) else None
)

# 计算收益率
df_sorted['Returns'] = (df_sorted['Price'] / df_sorted['Jan_Price']) - 1

# 仅保留2月的数据行，移除临时列
result = df_sorted[df_sorted['Date'].dt.month == 2].drop('Jan_Price', axis=1)

为什么你的原代码不符合预期？ #

原代码按Identifier和Date降序排列后，groupby('Identifier').Price.pct_change()会计算当前行价格 / 前一行价格 - 1。此时每个组的第一行是2月数据，第二行是1月数据，所以计算出的是(1月价格/2月价格)-1，并且结果被赋值给1月的行，完全和你需要的"2月行对应(2月/1月)-1"的逻辑相反。

内容的提问来源于stack exchange，提问作者Kronivar