这需求挺实用的——不是死板地按同月同日同比，而是按星期几对齐前一年的首个对应日期，咱们一步步来实现通用方案。

核心思路拆解 #

要实现这个需求，关键是给每个日期找到前一年中第一个和它星期几相同的日期，再计算当前值与该日期值的百分比变化。具体分四步：

1. 给原数据标记年份和星期几
2. 预计算每一年对应的前一年中，每个星期几的首个日期
3. 将原数据与预计算的匹配日期关联，获取对应年份的基准值
4. 计算同比百分比变化

完整代码实现 #

1. 生成测试数据

首先用你提供的测试数据初始化：

import pandas as pd
import numpy as np

# 生成datetime索引的DataFrame
idx = pd.date_range('2019-01-01', periods=1000)
df = pd.DataFrame(np.arange(1000), index=idx, columns=['value'])

2. 标记年份和星期几

给DataFrame添加辅助列，方便后续分组匹配：

df['year'] = df.index.year
df['dow'] = df.index.dayofweek  # pandas中0=周一，6=周日

3. 预计算前一年的星期几首个日期

创建一个字典，存储每个年份对应的前一年中，每个星期几的第一个日期：

# 获取所有涉及的年份
years = df['year'].unique()
prev_year_dow_mapping = {}

for year in years:
    prev_year = year - 1
    # 生成前一年的完整日期范围
    prev_year_dates = pd.date_range(start=f"{prev_year}-01-01", end=f"{prev_year}-12-31")
    # 按星期几分组，取每个组的第一个日期
    prev_year_dow_mapping[year] = (
        prev_year_dates.to_series(name="match_date")
        .groupby(prev_year_dates.dayofweek)
        .first()
    )

4. 关联匹配日期并计算同比

这里推荐用merge的方式（比apply高效得多，适合大数据量）：

# 把预计算的映射转换成DataFrame，方便合并
prev_year_dows_df = []
for year, dow_map in prev_year_dow_mapping.items():
    temp_df = dow_map.reset_index().rename(columns={"index": "dow"})
    temp_df['year'] = year
    prev_year_dows_df.append(temp_df)
prev_year_dows_df = pd.concat(prev_year_dows_df)

# 合并原数据与匹配日期
df_merged = df.merge(prev_year_dows_df, on=['year', 'dow'], how='left')

# 通过匹配日期获取前一年的基准值
df_merged['prev_year_value'] = df_merged['match_date'].map(df['value'])

# 计算同比百分比变化
df_merged['pct_change'] = (df_merged['value'] - df_merged['prev_year_value']) / df_merged['prev_year_value']

验证你的例子 #

拿你提到的2020-01-01来验证：

• 2020-01-01是周三（dow=2），2019年第一个周三是2019-01-02
• 2020-01-01的value是365（因为2019年有365天，从0开始计数），2019-01-02的value是1
• 计算得到的pct_change为(365-1)/1 = 364，也就是36400%，完全符合你的预期

通用场景适配 #

这个方案自动处理平年/闰年的差异，不管目标年份是平年还是闰年，都会准确找到前一年中对应星期几的首个日期，适用于任意连续年份的时间序列数据。

内容的提问来源于stack exchange，提问作者FooBar