如何用Lambda函数批量创建Pandas中的增长率列？

首先修正你的示例数据，把consumption列加入DataFrame，确保后续代码能正常运行：

import pandas as pd

consumption = [5, 10, 15, 20, 25, 30, 35, 40]
wage = [10, 20, 30, 40, 50, 60, 70, 80]
period = [1, 2, 3, 4, 5, 6, 7, 8]
id = [1, 1, 1, 1, 1, 1, 1, 1]

# 修正zip包含所有列
tup = list(zip(id, period, wage, consumption))
df = pd.DataFrame(tup, columns=['id', 'period', 'wage', 'consumption'])

方法一：for循环遍历目标列（直观易理解） #

先提前完成排序和分组操作，避免重复执行浪费资源，再遍历需要计算增长率的列：

# 先排序并分组，只执行一次
sorted_grouped = df.sort_values(by=['id', 'period']).groupby(['id'])

# 定义需要计算增长率的列（排除id、period这类非数值列）
target_cols = ['wage', 'consumption']

# 遍历列批量生成增长率列
for col in target_cols:
    df[f'{col}_chg'] = sorted_grouped[col].apply(lambda x: (x / x.shift(4) - 1)).fillna(0)

方法二：批量生成后合并（更高效，适合大量列） #

如果你的DataFrame有上百列，用pd.concat一次性生成所有增长率列，效率更高：

# 排序分组后，对目标列批量计算增长率
sorted_grouped = df.sort_values(by=['id', 'period']).groupby(['id'])
target_cols = ['wage', 'consumption']

# 批量生成增长率DataFrame，列名自动加上_chg
chg_df = sorted_grouped[target_cols].apply(lambda x: (x / x.shift(4) - 1)).fillna(0).add_suffix('_chg')

# 合并回原DataFrame
df = pd.concat([df, chg_df], axis=1)

实用技巧 #

• 自动筛选目标列：如果需要处理所有数值列，可自动获取并排除不需要计算的列，比如：

  target_cols = [col for col in df.select_dtypes(include=['number']).columns if col not in ['id', 'period']]
  

• 调整偏移量：shift(4)对应跨4期的增长率，若需环比（上一期），改成shift(1)即可，可根据业务需求灵活调整。

内容的提问来源于stack exchange，提问作者Slavoj