如何用Pandas计算周度数据X列的同比变化（适配52/53周）

要解决周频数据的同比计算问题，核心是精准匹配「今年同一ISO周次」与「去年同一ISO周次」的数据——普通周数计算可能存在跨年错位，而ISO周是国际标准，能正确区分每年52/53周的情况。以下是具体实现步骤：

关键前提 #

假设你的数据框df包含：

• 日期列date（已转为datetime类型）
• 需要计算同比的数值列x1、x2、x3

步骤1：提取ISO年份与周次 #

ISO周规则：每年最多53周，周一是一周起始，部分跨年日期（如12月31日）可能归属下一年的第1周，这能保证同周次的业务一致性。

import pandas as pd

# 提取ISO年份和周数
df['iso_year'] = df['date'].dt.isocalendar().year
df['iso_week'] = df['date'].dt.isocalendar().week

步骤2：匹配去年同周数据（两种实现方式） #

方式一：Merge自连接（直观易验证） #

复制一份去年的数据，将年份加1后与原数据按「ISO年份+ISO周次」合并，确保每一行都匹配到去年同周的数值：

# 复制并处理去年数据
df_prev = df.copy()
df_prev['iso_year'] += 1  # 去年年份+1，对应今年的年份
df_prev = df_prev[['iso_year', 'iso_week', 'x1', 'x2', 'x3']].rename(
    columns={'x1': 'x1_prev', 'x2': 'x2_prev', 'x3': 'x3_prev'}
)

# 合并原数据与去年同周数据
df_merged = pd.merge(df, df_prev, on=['iso_year', 'iso_week'], how='left')

方式二：Groupby分组计算（简洁高效） #

按ISO周次分组，在每个组内按年份排序后计算同比变化率：

# 先按周次、年份排序
df = df.sort_values(['iso_week', 'iso_year'])

# 每个周次组内计算同比（periods=1表示取上一年的数据）
for col in ['x1', 'x2', 'x3']:
    df[f'{col}_yoy'] = df.groupby('iso_week')[col].pct_change(periods=1) * 100

步骤3：计算同比变化率 #

同比公式为：(今年值 - 去年值) / 去年值 * 100（百分比形式），如果用Merge方式，代码如下：

# 批量计算所有X列的同比
for col in ['x1', 'x2', 'x3']:
    df_merged[f'{col}_yoy'] = (df_merged[col] - df_merged[f'{col}_prev']) / df_merged[f'{col}_prev'] * 100

# 保留核心列（可选）
result = df_merged[['date', 'x1', 'x2', 'x3', 'x1_yoy', 'x2_yoy', 'x3_yoy']]

处理53周的特殊情况 #

如果某一年存在第53周，但去年没有对应周次，匹配后去年的数值会是NaN，同比结果也会是NaN。你可以根据业务需求处理：

• 删除缺失行：result = result.dropna(subset=['x1_yoy', 'x2_yoy', 'x3_yoy'])
• 用前一周同比填充：result[['x1_yoy', 'x2_yoy', 'x3_yoy']] = result[['x1_yoy', 'x2_yoy', 'x3_yoy']].fillna(method='ffill')
• 忽略该周数据：直接保留NaN，后续分析时排除

内容的提问来源于stack exchange，提问作者ah bon