如何使用Python pandas计算时间序列变量的增长率
Pandas计算时间序列增长率的实操方法
前置数据准备
你提供的原始数据为字符串格式的月度时间序列,首先需要转换为pandas可识别的标准时间格式,才能开展后续计算:
- 导入pandas依赖库
- 加载原始样本数据
- 转换日期列为
datetime类型 - 可选:将日期列设置为时间索引,适配后续时间序列操作
对应代码:
import pandas as pd # 加载你提供的原始样本数据 sample_data = { "date": ["1-1-2013","1-2-2013","1-3-2013","1-4-2013","1-5-2013","1-6-2013", "1-7-2013","1-8-2013","1-9-2013","1-10-2013","1-11-2013","1-12-2013"], "value": [100,200,300,400,500,600,700,650,450,350,250,150] } df = pd.DataFrame(sample_data) # 将字符串格式日期转换为标准时间格式 df["date"] = pd.to_datetime(df["date"]) # 设置日期为索引 df = df.set_index("date")
增长率计算核心逻辑
pandas内置了pct_change()方法,可直接实现逐期变化率计算,公式和日常统计口径完全一致:增长率 = (当期指标值 - 上一周期指标值) / 上一周期指标值
- 最常用的逐期(环比)计算:默认参数
periods=1,即和上1个周期的值做对比 - 同比计算:如果是月度长期数据,可设置
periods=12,即和12个月前的同期值对比计算同比增速 - 自定义周期计算:可根据数据频率调整
periods参数,比如季度数据想算逐季环比就保持默认,想算季度同比就设periods=4
对应计算代码:
# 计算逐期环比增长率,保留4位小数(对应百分比的2位精度) df["period_growth_rate"] = df["value"].pct_change(periods=1).round(4)
计算结果说明
因为序列第一个值没有对应的前期对比值,所以第一行的增长率位置会返回NaN,这是正常计算逻辑:
- 2013-02-01的增长率为1.0(即100%),对应计算逻辑
(200-100)/100 = 1.0 - 2013-08-01的增长率为-0.0714(即-7.14%),对应计算逻辑
(650-700)/700 ≈ -0.0714
常见注意事项
- 不要通过手动循环遍历行计算相邻值的比值,
pct_change()是向量化运算,万行以上数据的计算效率远高于循环写法,还能自动规避索引错位导致的计算错误 - 如果原始时间序列存在日期缺失(比如跳过了某月/某季度的数据),需要先通过
asfreq()方法补全标准时间频率,再计算增长率,否则方法会把相邻的有效行误判为相邻周期,导致结果口径错误 - 如果需要直接输出百分比格式的展示值,可对计算结果做二次处理:
(df["value"].pct_change()*100).round(2).astype(str) + "%"
内容的提问来源于stack exchange,提问作者swhh
相关产品推荐
相关产品推荐

