pandas.Series.pct_change

Series.pct_change(periods=1, fill_method=_NoDefault.no_default, limit=_NoDefault.no_default, freq=None, **kwargs)[source]

Относительное изменение между текущим и предыдущим элементом.

Вычисляет относительное изменение от непосредственно предыдущей строки по умолчанию. Это полезно для сравнения относительного изменения в временном ряду элементов.

Примечание

Несмотря на название этого метода, он вычисляет относительное изменение (также известное как процентное изменение или относительное изменение), а не процентное изменение. Если вам нужно процентное изменение, умножьте эти значения на 100.

Параметры:

periods:int, по умолчанию 1

Периоды сдвига для образования относительного изменения.

fill_method:{‘backfill’, ‘bfill’, ‘pad’, ‘ffill’, None}, по умолчанию ‘pad’

Как обрабатывать пропуски (NaN) перед вычислением относительного изменения.

Устарело начиная с версии 2.1: Все варианты fill_method устарели, за исключением fill_method=None.

limit:int, по умолчанию None

Количество последовательных пропусков (NaN) для заполнения перед остановкой.

Устарело начиная с версии 2.1.

freq:DateOffset, timedelta или str, необязательно

Приращение для использования из API временных рядов (например, ‘ME’ или BDay()).

**kwargs

Дополнительные ключевые аргументы передаются в DataFrame.shift или Series.shift.

Возвращает:

Series или DataFrame

Тип такой же, как вызывающий объект.

См. также

Series.diff

Вычисление разницы между двумя элементами в Series.

DataFrame.diff

Вычисление разницы между двумя элементами в DataFrame.

Series.shift

Смещение индекса на некоторое количество периодов.

DataFrame.shift

Смещение индекса на некоторое количество периодов.

Примеры

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

Смотрите процентное изменение в Series, где пропуски заполняются последним допустимым значением вперед до следующего допустимого.

>>> 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

Процентное изменение французского франка, немецкой марки и итальянской лиры с 1980-01-01 по 1980-03-01.

>>> 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

Процент изменения объема акций GOOG и APPL. Показано вычисление процентного изменения между столбцами.

>>> 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