如何为Pandas Series实现先扩展后固定窗口的pct_change计算

核心逻辑 #

• 前N个元素（索引0到N-1）：计算每个元素相对于第一个元素的变化率，公式为 (当前值 - 第一个值) / 第一个值，索引0的结果固定为0
• 从第N个元素（索引N）开始：使用固定窗口N的变化率，即Pandas原生pct_change(periods=N)的结果

代码实现 #

通过三步即可完成需求：

1. 计算原生固定窗口的变化率
2. 生成前N个元素的自定义变化率序列
3. 将自定义序列覆盖原生结果中的NaN值

完整代码 #

import pandas as pd

def custom_pct_change(s, periods):
    # 生成原生固定窗口变化率
    pct_result = s.pct_change(periods=periods)
    # 计算前periods个元素的自定义变化率
    first_value = s.iloc[0]
    initial_pct = (s.iloc[:periods] - first_value) / first_value
    # 替换初始NaN值
    pct_result.iloc[:periods] = initial_pct
    return pct_result

# 测试示例1
s1 = pd.Series([1, 2, 4, 5, 6], name='Numbers')
print("示例1结果：")
print(custom_pct_change(s1, periods=3))

# 测试示例2
s2 = pd.Series([4, 5, 6, 7, 8, 9], name='Numbers')
print("\n示例2结果：")
print(custom_pct_change(s2, periods=3))

输出结果 #

示例1输出：

0    0.0
1    1.0
2    3.0
3    4.0
4    2.0
Name: Numbers, dtype: float64

示例2输出：

0    0.00
1    0.25
2    0.50
3    0.75
4    0.60
5    0.50
Name: Numbers, dtype: float64

扩展说明 #

• 若原Series存在空值，可先通过dropna()或fillna()做预处理
• 如需支持DataFrame，只需将函数中的iloc操作改为按列遍历处理即可

内容的提问来源于stack exchange，提问作者Ajax