Python Pandas dataframe.pct_change()用法及代码示例

Python是进行数据分析的一种出色语言，主要是因为以数据为中心的python软件包具有奇妙的生态系统。 Pandas是其中的一种，使导入和分析数据更加容易。

Pandas dataframe.pct_change()函数计算当前元素与先前元素之间的百分比变化。默认情况下，此函数计算前一行的百分比变化。

注意：此函数在时间序列数据中最有用。

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

参数：
periods:形成百分比变化所需的时间。
fill_method:在计算百分比变化之前如何处理资产净值。
limit:停止前要填充的连续NA数
freq:时间序列API中使用的增量(例如“ M”或BDay())。
**kwargs:其他关键字参数将传递到DataFrame.shift或Series.shift中。

返回：与调用对象的类型相同。

范例1：采用pct_change()函数以查找时间序列数据中的百分比变化。

# importing pandas as pd 
import pandas as pd 
  
# Creating the time-series index 
ind = pd.date_range('01/01/2000', periods = 6, freq ='W') 
  
# Creating the dataframe  
df = pd.DataFrame({"A":[14, 4, 5, 4, 1, 55], 
                   "B":[5, 2, 54, 3, 2, 32],  
                   "C":[20, 20, 7, 21, 8, 5], 
                   "D":[14, 3, 6, 2, 6, 4]}, index = ind) 
  
# Print the dataframe 
df

让我们使用dataframe.pct_change()函数以查找数据中的百分比变化。

# find the percentage change with the previous row 
df.pct_change()

输出：

第一行包含NaN值，因为没有上一行可以从中计算更改。

范例2：采用pct_change()函数来查找还具有NaN值。

# importing pandas as pd 
import pandas as pd 
  
# Creating the time-series index 
ind = pd.date_range('01/01/2000', periods = 6, freq ='W') 
  
# Creating the dataframe  
df = pd.DataFrame({"A":[14, 4, 5, 4, 1, 55], 
                   "B":[5, 2, None, 3, 2, 32],  
                   "C":[20, 20, 7, 21, 8, None], 
                   "D":[14, None, 6, 2, 6, 4]}, index = ind) 
  
# apply the pct_change() method 
# we use the forward fill method to 
# fill the missing values in the dataframe 
df.pct_change(fill_method ='ffill')

输出：

第一行包含NaN值，因为没有上一行可以从中计算更改。所有NaN DataFrame 中的值已使用填充ffill方法。

相关用法

注：本文由纯净天空筛选整理自Shubham__Ranjan大神的英文原创作品 Python | Pandas dataframe.pct_change()。非经特殊声明，原始代码版权归原作者所有，本译文未经允许或授权，请勿转载或复制。