如何基于日期而非周期数计算带Datetime Index的Dataframe同比变化率

完全可以基于日期来批量计算不同频率序列的同比变化率，不用手动指定固定周期数，核心是利用pandas的日期偏移功能匹配去年同期数据。

实现步骤 #

1. 统一管理Dataframe：把所有需要处理的Dataframe放进一个字典里，方便批量遍历。
2. 匹配去年同期数据：对每个Dataframe的日期索引减去1年，生成去年同期的日期序列，再用reindex匹配对应的值。
3. 计算同比并新增列：用当前值减去去年同期值，再除以去年值得到同比变化率，作为新列添加到原Dataframe中。

完整代码示例 #

import pandas as pd

# 把你的Dataframe存入字典（替换成实际变量名）
dataframes = {
    'gdp': gdp,
    'pce': pce,
    'spx': spx
}

# 批量遍历处理每个Dataframe
for df_name, df in dataframes.items():
    # 假设每个Dataframe只有一列，获取列名
    target_col = df.columns[0]
    # 生成去年同期的日期索引
    last_year_dates = df.index - pd.DateOffset(years=1)
    # 匹配去年同期的数值
    last_year_values = df[target_col].reindex(last_year_dates).values
    # 计算同比变化率，新增列命名为「原列名_YoY」
    df[f'{target_col}_YoY'] = (df[target_col] - last_year_values) / last_year_values

扩展说明 #

• 多列Dataframe适配：如果你的Dataframe包含多列，只需把代码里的target_col = df.columns[0]改成遍历所有列即可，示例如下：

  for df_name, df in dataframes.items():
      for target_col in df.columns:
          last_year_dates = df.index - pd.DateOffset(years=1)
          last_year_values = df[target_col].reindex(last_year_dates).values
          df[f'{target_col}_YoY'] = (df[target_col] - last_year_values) / last_year_values
  

• 缺失值处理：如果去年同期没有对应日期（比如日度数据的节假日），reindex会返回NaN，对应的同比值也会是NaN，符合实际业务逻辑。
• 自动适配频率：不管是季度、月度还是日度数据，都不需要手动设置周期数，完全基于日期匹配，避免了固定周期数带来的误差（比如日度数据每年交易日数不一定是252）。

内容的提问来源于stack exchange，提问作者Galos Prigipas