如何用Pandas计算年度实际变动？含通胀调整的月度对比需求

核心逻辑 #

要得到2023年各月A列相对2022年同月的实际变动，需分两步执行：

• 先通过月度通胀计算累计通胀系数，将2022年同月的A值调整为2023年当月的等价购买力水平
• 再用2023年当月A值与调整后的基准值对比，计算变动率

1. 累计通胀系数计算规则 #

以2022-04到2023-04为例：

• 以2022-04为基数，初始累计通胀系数为1
• 从2022-05到2023-04，每个月执行公式：累计通胀系数 = 上月系数 * (1 + 当月通胀值)
• 最终2023-04的累计通胀系数为1.66（对应示例）

2. 实际变动率计算示例（2023-04） #

• 取2022-04的A值140，乘以累计通胀系数1.66，得到调整后基准值：140 * 1.66 = 232.2
• 实际变动率公式：(2023-04的A值 - 调整后基准值) / 调整后基准值
• 代入示例数据：(150 - 232.2) / 232.2 ≈ -0.35

Pandas 实现代码 #

假设你的DataFrame包含date（月度日期）、A（目标数值列）、inflation（月度通胀列），以下是完整实现：

import pandas as pd

# 示例DataFrame（替换为你的实际数据）
data = {
    'date': pd.date_range(start='2022-01', end='2023-04', freq='M'),
    'A': [120, 130, 135, 140, 142, 145, 148, 150, 152, 155, 158, 160, 162, 165, 150],
    'inflation': [0.02, 0.03, 0.025, 0.04, 0.035, 0.05, 0.045, 0.03, 0.025, 0.04, 0.035, 0.05, 0.04, 0.06]
}
df = pd.DataFrame(data)
df['date'] = df['date'].dt.to_period('M')  # 转为月度周期，简化同月匹配

# 拆分2022和2023年数据
df_2022 = df[df['date'].dt.year == 2022].set_index('date')
df_2023 = df[df['date'].dt.year == 2023].set_index('date')

# 定义函数：计算指定月份的累计通胀系数
def get_cumulative_inflation(month):
    start_period = pd.Period(f'2022-{month:02d}', freq='M')
    end_period = pd.Period(f'2023-{month:02d}', freq='M')
    # 获取周期内的通胀数据（跳过起始月的通胀，因为起始月系数为1）
    inflations = df.loc[df['date'].between(start_period, end_period), 'inflation'].iloc[1:]
    
    cum_inflation = 1.0
    for infl in inflations:
        cum_inflation *= (1 + infl)
    return cum_inflation

# 为2023年各月添加累计通胀系数
df_2023['cumulative_inflation'] = df_2023.index.month.map(get_cumulative_inflation)

# 匹配2022年同月的A值并计算调整后基准
df_2023['A_2022'] = df_2023.index.month.map(df_2022['A'])
df_2023['A_2022_adjusted'] = df_2023['A_2022'] * df_2023['cumulative_inflation']

# 计算实际变动率
df_2023['actual_change'] = (df_2023['A'] - df_2023['A_2022_adjusted']) / df_2023['A_2022_adjusted']

# 输出结果
print(df_2023[['A', 'A_2022', 'cumulative_inflation', 'A_2022_adjusted', 'actual_change']])

内容的提问来源于stack exchange，提问作者Fernando del Valle