pandas.Series.pct_change

Series.pct_change(periods=1, fill_method=None, freq=None, **kwargs)

当前元素与先前元素之间的分数变化。

默认情况下，计算与前一行的分数变化。这对于比较时间序列元素中的变化分数非常有用。

备注

尽管这个方法的名字如此，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。如果你需要百分比变化，将这些值乘以100。

参数:

periodsint, 默认 1

用于形成百分比变化的时期位移。

fill_methodNone

必须是 None。此参数将在 pandas 的未来版本中移除。

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

freqDateOffset, timedelta 或 str, 可选

从时间序列API使用的增量（例如 ‘ME’ 或 BDay()）。

**kwargs

额外的关键字参数被传递到 DataFrame.shift 或 Series.shift 中。

返回:

Series 或 DataFrame

与调用对象相同的类型。

参见

Series.diff

计算 Series 中两个元素的差值。

DataFrame.diff

计算 DataFrame 中两个元素的差值。

Series.shift

将索引移动若干个周期。

DataFrame.shift

将索引移动若干个周期。

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

查看一个系列中百分比变化，其中用最后一个有效观测值填充NA直到下一个有效观测值。

>>> 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日期间法郎、德国马克和意大利里拉的变化百分比。

>>> 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