包牛牛网站怎么做广告发布平台

Pandas2.2 DataFrame

Computations descriptive stats

方法	描述
DataFrame.abs()	用于返回 DataFrame 中每个元素的绝对值
DataFrame.all([axis, bool_only, skipna])	用于判断 DataFrame 中是否所有元素在指定轴上都为 True
DataFrame.any(*[, axis, bool_only, skipna])	用于判断 DataFrame 中是否至少有一个元素在指定轴上为 True
DataFrame.clip([lower, upper, axis, inplace])	用于截断（限制）DataFrame 中的数值
DataFrame.corr([method, min_periods, …])	用于计算 DataFrame 中各列之间的相关系数矩阵（Correlation Matrix）
DataFrame.corrwith(other[, axis, drop, …])	用于计算当前 DataFrame 的每一列（或行）与另一个 Series 或 DataFrame 中对应列的相关系数
DataFrame.count([axis, numeric_only])	用于统计 DataFrame 中每列或每行的非空（非 NaN）元素数量
DataFrame.cov([min_periods, ddof, numeric_only])	用于计算 DataFrame 中每对列之间的协方差
DataFrame.cummax([axis, skipna])	用于计算 DataFrame 中每列或每行的累计最大值（cumulative maximum）
DataFrame.cummin([axis, skipna])	用于计算 DataFrame 中每列或每行的累计最小值（cumulative minimum）
DataFrame.cumprod([axis, skipna])	用于计算 DataFrame 中每列或每行的累计乘积（cumulative product）
DataFrame.cumsum([axis, skipna])	用于计算 DataFrame 中每列或每行的累计和（cumulative sum）
DataFrame.describe([percentiles, include, …])	用于快速生成数据集的统计摘要（summary statistics）
DataFrame.diff([periods, axis])	用于计算 DataFrame 中相邻行或列之间的差值（差分）
DataFrame.eval(expr, *[, inplace])	用于在 DataFrame 上下文中高效地执行字符串形式的表达式运算
DataFrame.kurt([axis, skipna, numeric_only])	用于计算 DataFrame 中每列或每行的峰度（Kurtosis）
DataFrame.kurtosis([axis, skipna, numeric_only])	用于计算 DataFrame 中每列或每行的峰度（Kurtosis）
DataFrame.max([axis, skipna, numeric_only])	用于计算 DataFrame 中每列或每行的最大值（maximum）
DataFrame.mean([axis, skipna, numeric_only])	用于计算 DataFrame 中每列或每行的平均值（mean）
DataFrame.median([axis, skipna, numeric_only])	用于计算 DataFrame 中每列或每行的中位数（median）
DataFrame.min([axis, skipna, numeric_only])	用于计算 DataFrame 中每列或每行的最小值（minimum）
DataFrame.mode([axis, numeric_only, dropna])	用于查找 众数（出现频率最高的值） 的方法
DataFrame.pct_change([periods, fill_method, …])	用于计算 百分比变化 的方法

pandas.DataFrame.pct_change()

pandas.DataFrame.pct_change() 是 Pandas 中用于计算 百分比变化 的方法，通常用于时间序列数据或面板数据中的增长率分析。它返回一个新的 DataFrame，表示当前元素与先前元素之间的百分比变化。

---

语法

DataFrame.pct_change(periods=1, fill_method='pad', limit=None, freq=None, **kwargs)

---

参数说明

参数	类型	默认值	描述
periods	int	1	计算变化的间隔（向前看几个周期）
fill_method	str	'pad'	填充缺失值的方法： - 'pad' / 'ffill': 向前填充 - 'bfill' / 'backfill': 向后填充 - None: 不填充
limit	int	None	填充的最大连续 NaN 数量
freq	DateOffset, timedelta, 或 str	None	如果是时间序列数据，可以指定频率（如 'D', 'M' 等）
**kwargs	dict	无	其他可选参数

---

返回值

• 返回一个与原 DataFrame 形状相同的 DataFrame，表示每个元素相对于前 periods 个元素的百分比变化。
• 第 n 行的值为：(current / previous) - 1
• 初始 periods 行会是 NaN，因为没有足够的历史数据进行比较。

---

示例

示例数据：

import pandas as pddf = pd.DataFrame({'A': [10, 20, 30, 40],'B': [100, 150, 200, 250]
})

输出原始数据：

    A    B
0  10  100
1  20  150
2  30  200
3  40  250

---

示例 1：默认参数（计算相邻行的百分比变化）

df.pct_change()

结果：

          A         B
0       NaN       NaN
1  1.000000  0.500000
2  0.500000  0.333333
3  0.333333  0.250000

解释：

• 第一行无法计算变化，因此为 NaN
• 第二行 A: (20/10)-1 = 1.0，B: (150/100)-1 = 0.5

---

示例 2：设置 periods=2（与两行前的数据对比）

df.pct_change(periods=2)

结果：

          A         B
0       NaN       NaN
1       NaN       NaN
2  2.000000  1.000000
3  1.000000  0.666667

解释：

• 第三行 A: (30/10)-1 = 2.0，B: (200/100)-1 = 1.0
• 前两行无法计算，因此为 NaN

---

示例 3：使用 fill_method 填充 NaN

df.pct_change(fill_method='bfill')

结果：

          A         B
0  1.000000  0.500000
1  1.000000  0.500000
2  0.500000  0.333333
3  0.333333  0.250000

解释：

• 使用 bfill 填充第一个 NaN 行（向后填充）

---

注意事项

• pct_change() 常用于金融数据分析、增长率分析等场景。
• 支持处理 NaN 值（通过 fill_method 控制是否填充）。
• 可结合 resample() 或 rolling() 实现更复杂的时序分析。

---