如何在Pandas中实现同日期跨年度的pct_change计算？

嘿，这个问题我之前处理过，pct_change(freq='Y')在碰到闰年的时候确实容易踩坑——因为2月29日的存在会导致索引匹配出问题，直接触发ValueError。这里给你两个靠谱的解决方案，都能满足你的需求，还能自动忽略2月29日：

方法一：手动匹配前一年日期（灵活可控） #

这个方法的思路是先过滤掉2月29日的数据，然后为每一行生成前一年的对应日期，再通过映射找到对应的值，最后计算同比变化：

import pandas as pd
import numpy as np

# 生成示例数据
idx = pd.date_range('2000-01-01', periods=1000)
df = pd.DataFrame(np.arange(1000), index=idx, columns=['value'])

# 第一步：过滤掉所有2月29日的行
df = df[~((df.index.month == 2) & (df.index.day == 29))]

# 第二步：为每个日期生成前一年的对应日期
df['prev_year_date'] = df.index - pd.DateOffset(years=1)

# 第三步：映射前一年的值，计算同比百分比变化
df['prev_year_value'] = df['prev_year_date'].map(df['value'])
df['year_over_year_pct'] = (df['value'] - df['prev_year_value']) / df['prev_year_value']

# 查看预期结果
print(df.loc['2001-01-01':'2001-01-02'])

运行后你会看到：

• 2000年的所有行对应的year_over_year_pct都是NaN（因为没有前一年数据）
• 2001-01-01的结果是inf（因为前一年值为0，除法无意义）
• 2001-01-02的结果是366.0，完全符合你的预期

方法二：分组+pct_change（简洁高效） #

这个方法利用groupby按「月-日」分组，每个分组内都是不同年份的同一天数据，直接用pct_change计算即可：

import pandas as pd
import numpy as np

# 生成示例数据
idx = pd.date_range('2000-01-01', periods=1000)
df = pd.DataFrame(np.arange(1000), index=idx, columns=['value'])

# 过滤2月29日数据
df = df[~((df.index.month == 2) & (df.index.day == 29))]

# 提取「月-日」作为分组键，比如"01-01"
df['month_day'] = df.index.strftime('%m-%d')

# 按「月-日」分组，对每个分组内的数据按年份顺序计算同比变化
df['year_over_year_pct'] = df.groupby('month_day')['value'].pct_change(periods=1)

# 查看预期结果
print(df.loc['2001-01-01':'2001-01-02'])

这个方法更简洁，因为每个「月-日」分组内的数据天然按年份排序，pct_change(periods=1)直接取前一年的值计算变化率，结果和方法一完全一致。

为什么原方法会报错？ #

df.pct_change(freq='Y')的底层是按年度频率偏移索引后对齐数据，但如果原数据包含闰年的2月29日，偏移一年后（非闰年）没有对应的日期，会导致索引对齐时出现重复或缺失，最终触发ValueError: cannot reindex from a duplicate axis。所以先过滤2月29日是解决问题的前提。

内容的提问来源于stack exchange，提问作者FooBar