pandas.Series.pct_change #

系列。pct_change ( period = 1 , fill_method = _NoDefault.no_default , limit = _NoDefault.no_default , freq = None , ** kwargs ) [来源] #

当前元素与先前元素之间的分数变化。

默认情况下计算与前一行相比的分数变化。这对于比较元素时间序列中的变化比例非常有用。

笔记

尽管此方法的名称如此,但它计算的是分数变化(也称为每单位变化或相对变化)而不是百分比变化。如果您需要百分比变化,请将这些值乘以 100。

参数
周期int,默认 1

形成百分比变化的转变周期。

fill_method {'backfill', 'bfill', 'pad', 'ffill', None}, 默认 'pad'

如何在计算百分比变化之前处理 NA。

自版本 2.1 起已弃用:fill_method的所有选项均已弃用,除了fill_method=None

limit int,默认无

停止前要填充的连续 NA 的数量。

自 2.1 版本起已弃用。

freq DateOffset、timedelta 或 str,可选

从时间序列 API 使用的增量(例如“ME”或 BDay())。

**夸格

其他关键字参数被传递到 DataFrame.shiftSeries.shift中。

返回
系列或数据框

与调用对象的类型相同。

也可以看看

Series.diff

计算系列中两个元素的差异。

DataFrame.diff

计算 DataFrame 中两个元素的差异。

Series.shift

将索引移动一定数量的周期。

DataFrame.shift

将索引移动一定数量的周期。

例子

系列

>>> s = pd.Series([90, 91, 85])
>>> s
0    90
1    91
2    85
dtype: int64
>>> s.pct_change()
0         NaN
1    0.011111
2   -0.065934
dtype: float64
>>> s.pct_change(periods=2)
0         NaN
1         NaN
2   -0.055556
dtype: float64

查看系列中的百分比变化,其中用最后一个有效观察值填充 NA 到下一个有效观察值。

>>> s = pd.Series([90, 91, None, 85])
>>> s
0    90.0
1    91.0
2     NaN
3    85.0
dtype: float64
>>> s.ffill().pct_change()
0         NaN
1    0.011111
2    0.000000
3   -0.065934
dtype: float64

数据框

1980年1月1日至1980年3月1日期间法国法郎、德国马克和意大利里拉的百分比变化。

>>> df = pd.DataFrame({
...     'FR': [4.0405, 4.0963, 4.3149],
...     'GR': [1.7246, 1.7482, 1.8519],
...     'IT': [804.74, 810.01, 860.13]},
...     index=['1980-01-01', '1980-02-01', '1980-03-01'])
>>> df
                FR      GR      IT
1980-01-01  4.0405  1.7246  804.74
1980-02-01  4.0963  1.7482  810.01
1980-03-01  4.3149  1.8519  860.13
>>> df.pct_change()
                  FR        GR        IT
1980-01-01       NaN       NaN       NaN
1980-02-01  0.013810  0.013684  0.006549
1980-03-01  0.053365  0.059318  0.061876

GOOG 和 APPL 库存量的变化百分比。显示计算列之间的百分比变化。

>>> df = pd.DataFrame({
...     '2016': [1769950, 30586265],
...     '2015': [1500923, 40912316],
...     '2014': [1371819, 41403351]},
...     index=['GOOG', 'APPL'])
>>> df
          2016      2015      2014
GOOG   1769950   1500923   1371819
APPL  30586265  40912316  41403351
>>> df.pct_change(axis='columns', periods=-1)
          2016      2015  2014
GOOG  0.179241  0.094112   NaN
APPL -0.252395 -0.011860   NaN