如何优雅实现考虑闰年的Pandas时间序列年度差分？

我有一个名为df的Pandas时间序列，包含一列名为data的日频数据，时间跨度为5年，可通过以下代码生成随机数据：

import pandas as pd
import numpy as np
df_index = pd.date_range('01-01-2012', periods=5 * 365 + 2, freq='D')
df = pd.DataFrame({'data': np.random.rand(len(df_index))}, index=df_index)

我希望执行简单的年度趋势分解，即每个日期减去其去年同一天的数据，同时需要处理闰年问题（比如2012年2月29日，去年没有这一天的情况）。

我当前通过生成diff_365和diff_366列，再用自定义函数选择对应值的方式实现，共8行代码，但感觉可以更简洁。尝试直接对data列使用apply（默认axis=0）时无法利用DatetimeIndex，请问是否有更优的实现方式？

嘿，这个问题我之前也碰到过，其实用Pandas自带的日期工具和分组功能就能很简洁地解决，还能完美处理闰年的情况，给你两种实用思路：

方法一：用DateOffset智能偏移（最简单） #

Pandas的pd.DateOffset(years=1)会自动处理闰年的日期映射——比如2012年2月29日减去1年，会自动对应到2011年2月28日；非闰年的日期则精准对应去年同一天。直接结合shift方法就能一行搞定同比差值：

df['year_over_year'] = df['data'] - df['data'].shift(pd.DateOffset(years=1))

这种方法代码最简洁，而且Pandas内部已经帮你处理了所有闰年的边界情况，不需要额外写判断逻辑。

方法二：按「月-日」分组（更灵活可控） #

如果你需要更精准地控制闰年的匹配规则（比如希望2月29日只和其他闰年的2月29日对比，而非匹配到2月28日），可以按每个日期的「月-日」标识分组，再对每组内的年度数据做偏移计算：

# 生成月-日的分组键，比如"01-01"、"02-29"
df['month_day'] = df.index.strftime('%m-%d')

# 按分组取上一年的数据做差值
df['year_over_year'] = df.groupby('month_day')['data'].apply(lambda x: x - x.shift(1))

这种方式下，普通日期会匹配到去年的同一天；而2月29日的分组里只有闰年的数据，shift(1)会取到前一个闰年的对应值（比如2016年2月29日对应2012年的同一天）。如果需要自定义2月29日的匹配规则，也可以单独对这个分组做处理，灵活性更高。

另外你提到用apply(axis=0)行不通，是因为列级的apply无法直接访问每行的索引信息，而上面两种方法都是利用Pandas的向量化操作或者分组逻辑，不仅代码更简洁，运行效率也比自定义循环/函数高很多。

内容的提问来源于stack exchange，提问作者Alex G