计算 Pandas 数据框中列值之间的百分比变化

Question

我有一个数据框，其中包含从 2017 年到 2021 年 5 年的一些价格指数。它看起来像这样：

国家	行业	年	指数
我们	农业	2017年	83
我们	农业	2018年	97.2
我们	农业	2019年	100
我们	农业	2020年	112
我们	农业	2021年	108
日本	矿业	2017年	88
日本	矿业	2018年	93
日本	矿业	2019年	100
日本	矿业	2020年	104
日本	矿业	2021年	112

我的基准年是 2019 年，因此标有 2019 年的每一行的索引都是 100。其他所有内容都会向上或向下移动。我想生成另一列，名为Percentage_Change显示从 2019 年作为基准年开始的同比变化。

然而，我尝试使用该pd.series.pct_change函数计算从 2017 年开始的同比百分比变化，并NaN为年份为 2017 年的所有行生成一个值，而不是 2019 年，而 2019 年应该是基准年。

我希望输出看起来像这样：

国家	行业	年	指数	变化百分比
日本	矿业	2017年	88	-5.37%
日本	矿业	2018年	93	-7%
日本	矿业	2019年	100	0
日本	矿业	2020年	104	4%
日本	矿业	2021年	112	7.69%

日本percentage_change2021 年至 2020 年之间的差异为 (112-104)/104 = 7.69%，2020 年与 2019 年之间的差异为 (104-100)/100 = 4%，2018 年与 2019 年之间的差异为 (93-100)/ 100 = -7%，2017年与2018年的差异为(88-93)/93 = -5.37%

还有其他方法可以计算熊猫的变化百分比吗？

Answer 1

pct_change正在计算相对于先前值的变化（这就是 2017 为 NaN 的原因），这似乎不是您想要的。如果您想计算相对于 2019 年的百分比变化，因为 2019 年已经标准化为 100，只需减去 100：

df['Percentage_Change'] = df['Index'].sub(100)

输出：

  Country     Industry  Year  Index  Percentage_Change
0      US  Agriculture  2017   83.0              -17.0
1      US  Agriculture  2018   97.2               -2.8
2      US  Agriculture  2019  100.0                0.0
3      US  Agriculture  2020  112.0               12.0
4      US  Agriculture  2021  108.0                8.0
5   Japan       Mining  2017   88.0              -12.0
6   Japan       Mining  2018   93.0               -7.0
7   Japan       Mining  2019  100.0                0.0
8   Japan       Mining  2020  104.0                4.0
9   Japan       Mining  2021  112.0               12.0

双向pct_change

如果你想要一个pct_change以 100 为中心的双向“中心”，你可以使用掩码来计算pct_change双向：

df['Percentage_Change'] = (df
 .assign(ref=df['Year'].eq(2019))
 .groupby(['Country', 'Industry'], group_keys=False)
 .apply(lambda g: g['Index'].where(g['ref'].cummax()).pct_change()
                  .fillna(g['Index'][::-1].pct_change().mask(g['ref'].cummax(), 0))
       )
)

输出：

  Country     Industry  Year  Index  Percentage_Change
0      US  Agriculture  2017   83.0          -0.146091
1      US  Agriculture  2018   97.2          -0.028000
2      US  Agriculture  2019  100.0           0.000000
3      US  Agriculture  2020  112.0           0.120000
4      US  Agriculture  2021  108.0          -0.035714
5   Japan       Mining  2017   88.0          -0.053763
6   Japan       Mining  2018   93.0          -0.070000
7   Japan       Mining  2019  100.0           0.000000
8   Japan       Mining  2020  104.0           0.040000
9   Japan       Mining  2021  112.0           0.076923