pandas.DataFrame.pct_change

DataFrame.pct_change(periods=1, fill_method=_NoDefault.no_default, limit=_NoDefault.no_default, freq=None, **kwargs)

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。这对于比较时间序列元素的变化比例非常有用。

备注

尽管此方法名为 “percent change”（百分比变化），但它计算的是分数变化（也称为单位变化或相对变化），而不是百分比变化。如果你需要百分比变化，请将这些值乘以 100。

Parameters:

periodsint, 默认值 1

用于形成百分比变化的周期数。

fill_method{‘backfill’, ‘bfill’, ‘pad’, ‘ffill’, None}, 默认 ‘pad’

在计算百分比变化**之前**如何处理 NA。

自 2.1 版本弃用: 除了 fill_method=None 之外，fill_method 的所有选项都已弃用。

<strong>limit</strong>int，默认 None

在停止之前填充的连续 NA 的数量。

自 2.1 版本弃用.

freqDateOffset, timedelta, 或 str, 可选

时间序列 API 的增量（例如 ‘ME’ 或 BDay()）。

**kwargs

附加关键字参数会传递给 DataFrame.shift 或 Series.shift。

Returns:

Series 或 DataFrame

与调用对象相同的类型。

参见

Series.diff

计算 Series 中两个元素之间的差值。

DataFrame.diff

计算 DataFrame 中两个元素之间的差值。

Series.shift

将索引移动指定的周期数。

DataFrame.shift

将索引移动指定的周期数。

Examples

Series

>>> 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 Series 中百分比变化的示例，其中使用最后一个有效观察值向前填充 NA 直到下一个有效值。

>>> 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

DataFrame

1980 年 1 月 1 日至 1980 年 3 月 1 日法国法郎、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 股票交易量的变化百分比。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