如何用pandas/numpy实现时间序列行转列，生成滞后值与30天后值

用pandas的shift函数就能轻松实现，核心逻辑是对Value字段做不同步长的偏移，即可得到历史几期的数值。

完整实现代码 #

import pandas as pd

# 1. 加载原始数据
raw_data = ['Date Value   Value_30days_later',
'26.01.01   36  40.3',
'29.01.01   36  38.2',
'30.01.01   37.5    36.5',
'31.01.01   37.5    37.3',
'01.02.01   37  36.7',
'02.02.01   37.5    36.5',
'05.02.01   35  33',
'06.02.01   32.5    26.5',
'07.02.01   31  25.3',
'08.02.01   30.5    29',
'09.02.01   32.3    30.3']

# 处理成DataFrame
header = raw_data[0].split()
rows = [line.split() for line in raw_data[1:]]
df = pd.DataFrame(rows, columns=header)
# 转换字段类型
df['Date'] = pd.to_datetime(df['Date'], format='%d.%m.%y')
df[['Value', 'Value_30days_later']] = df[['Value', 'Value_30days_later']].astype(float)
# 确保按日期升序排列（非常重要，避免原始数据顺序错误导致结果偏差）
df = df.sort_values('Date').reset_index(drop=True)

# 2. 生成偏移列
lags = [4,3,2,1,0]
for lag in lags:
    col_name = f'Value_{-lag}' if lag != 0 else 'Value_0'
    df[col_name] = df['Value'].shift(lag)

# 3. 筛选需要的列和行（丢弃前4行无完整历史数据的记录）
result_df = df[['Date', 'Value_-4', 'Value_-3', 'Value_-2', 'Value_-1', 'Value_0', 'Value_30days_later']].dropna().reset_index(drop=True)

# 可选：如果需要把Date转回原来的字符串格式，可以加这一步
result_df['Date'] = result_df['Date'].dt.strftime('%d.%m.%y').str.lower()

print(result_df)

输出验证 #

运行上述代码后得到的结果和期望的格式完全一致：

高性能实现（大数据量场景） #

如果数据量非常大，可以用numpy的滑动窗口函数sliding_window_view实现，性能会更好：

import numpy as np

# 接上文df基础处理步骤
window_size = 5
values = df['Value'].values
# 生成滑动窗口
windows = np.lib.stride_tricks.sliding_window_view(values, window_size)
# 反转窗口顺序，对应Value_-4到Value_0的顺序
lag_cols = pd.DataFrame(windows, columns=[f'Value_{i-4}' for i in range(5)])
# 拼接其他字段
result_df = pd.concat([df.iloc[window_size-1:].reset_index(drop=True)[['Date', 'Value_30days_later']], lag_cols], axis=1)

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