如何高效计算带日期索引DataFrame的WoW、MoM、YoY收益率

直接用pandas的向量化操作就能搞定，完全不用循环，效率高得多。以下是针对你的需求的具体实现：

先明确前提 #

确保你的DataFrame索引是datetime类型，如果不是先转换：df.index = pd.to_datetime(df.index)；另外建议先按时间升序排序：df = df.sort_index()，避免后续计算出错。

1. 周环比(WoW) #

分两种常见场景：

场景A：基于前5个交易日（和你的示例逻辑一致） #

直接用shift(5)取前5个交易日的价格：

df['WoW'] = (df['CTH3 Comdty'] / df['CTH3 Comdty'].shift(5) - 1) * 100

但这种方法在遇到节假日导致一周交易日不足5天时，会取更早的日期，可能偏离“周环比”的常规含义。

场景B：基于上周同一工作日（更符合通用周环比逻辑） #

用pd.DateOffset生成上周同日的日期，再通过reindex+ffill获取对应价格：

# 生成每个日期往前推1周的日期
prev_week_dates = df.index - pd.DateOffset(weeks=1)
# 匹配上周价格，无数据则向前填充
df['prev_week_price'] = df['CTH3 Comdty'].reindex(prev_week_dates, method='ffill')
# 计算收益率
df['WoW'] = (df['CTH3 Comdty'] / df['prev_week_price'] - 1) * 100

你的示例中2022-11-28的上周同日是2022-11-21，刚好有数据，计算结果和你的示例一致：≈-1.04%。

2. 月环比(MoM) #

同样用DateOffset生成1个月前的日期，结合reindex+ffill处理非交易日：

# 生成1个月前的对应日期
prev_month_dates = df.index - pd.DateOffset(months=1)
# 获取对应价格，无数据则向前填充
df['prev_month_price'] = df['CTH3 Comdty'].reindex(prev_month_dates, method='ffill')
# 计算月环比收益率
df['MoM'] = (df['CTH3 Comdty'] / df['prev_month_price'] - 1) * 100

3. 同比(YoY) #

逻辑和月环比完全一致，只是时间跨度改为1年：

# 生成1年前的对应日期
prev_year_dates = df.index - pd.DateOffset(years=1)
# 获取对应价格，无数据则向前填充
df['prev_year_price'] = df['CTH3 Comdty'].reindex(prev_year_dates, method='ffill')
# 计算同比收益率
df['YoY'] = (df['CTH3 Comdty'] / df['prev_year_price'] - 1) * 100

为什么这种方法更高效？ #

这些都是pandas内部优化的向量化操作，避免了Python循环的开销，尤其是数据量较大（比如几万条以上）时，速度会比循环+loc快几个数量级，代码也更简洁易维护。

内容的提问来源于stack exchange，提问作者Haikal Yeo