Início / coding / Perguntas / 79039949
Accepted
Emi OB
Asked: 2024-09-30 23:00:45 +0800 CST

Pandas pct_change mas retorna ao início

  • 772

Estou tentando descobrir como usar a função pct_change() do pandas, mas preciso que os valores sejam "envolvidos", para que o último e o primeiro valores criem um valor de alteração percentual na posição 0 em vez de NaN.

Por exemplo:

df = pd.DataFrame({'Month':[1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12],
                   'Value':[1, 0.9, 0.8, 0.75, 0.75, 0.8, 0.7, 0.65, 0.7, 0.8, 0.85, 0.9]})

    Month  Value
0       1   1.00
1       2   0.90
2       3   0.80
3       4   0.75
4       5   0.75
5       6   0.80
6       7   0.70
7       8   0.65
8       9   0.70
9      10   0.80
10     11   0.85
11     12   0.90

Usar pct_change() + 1 fornece:

df['percent change'] = df['Value'].pct_change() + 1
    Month  Value  percent change
0       1   1.00             NaN
1       2   0.90        0.900000
2       3   0.80        0.888889
3       4   0.75        0.937500
4       5   0.75        1.000000
5       6   0.80        1.066667
6       7   0.70        0.875000
7       8   0.65        0.928571
8       9   0.70        1.076923
9      10   0.80        1.142857
10     11   0.85        1.062500
11     12   0.90        1.058824

No entanto, também preciso saber a % de mudança entre dezembro (mês=12) e janeiro (mês=1), então o NaN deve ser 1,111111. Espero eventualmente fazer isso para vários grupos dentro de um grupo, então, atrapalhar o preenchimento do Nan com um valor sobre o outro, ou calcular manualmente todas as porcentagens parece uma maneira muito longa de fazer isso. Existe uma maneira mais simples de conseguir isso?

python

3 respostas

  1. Para obter o comportamento "wrap-around" desejado usando pct_change()o Pandas, você pode modificar o DataFrame deslocando temporariamente os valores e preenchendo a NaNprimeira posição com a alteração percentual entre o último e o primeiro valor.

    Aqui está o código.

    import pandas as pd

df = pd.DataFrame({
    'Month': [1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12],
    'Value': [1, 0.9, 0.8, 0.75, 0.75, 0.8, 0.7, 0.65, 0.7, 0.8, 0.85, 0.9]
})

df['percent change'] = df['Value'].pct_change() + 1

# Manually fill the first NaN with the change from the last to the first value
df.at[0, 'percent change'] = (df['Value'].iloc[0] / df['Value'].iloc[-1])

print(df)

    Isso pode ser aplicado groupby()também.

    import pandas as pd

df = pd.DataFrame({
    'Group': ['A'] * 12 + ['B'] * 12,
    'Month': list(range(1, 13)) * 2,
    'Value': [1, 0.9, 0.8, 0.75, 0.75, 0.8, 0.7, 0.65, 0.7, 0.8, 0.85, 0.9,
              2, 1.8, 1.7, 1.65, 1.65, 1.7, 1.5, 1.4, 1.5, 1.6, 1.65, 1.7]
})

def calculate_pct_change(group_df):
    group_df['percent_change'] = group_df['Value'].pct_change() + 1
    group_df.at[group_df.index[0], 'percent_change'] = (group_df['Value'].iloc[0] / group_df['Value'].iloc[-1])

    return group_df

df_grouped = df.groupby('Group').apply(calculate_pct_change).reset_index(drop=True)

print(df_grouped)

    Espero que isso ajude você um pouco.

    • 1

  2. resumindo;

    df['Value'].pct_change(fill_value=df['Value'].iloc[-1]) + 1

    Explicação

    pandas Series.pct_changeé um wrapper fino em cima de executar Series / Series.shift(...). Como acontece, Series.pct_changeencaminha argumentos de palavra-chave estranhos para Series.shift(...)e este método pega um fill_valueargumento de palavra-chave para preencher valores NaN que resultam da operação de deslocamento. O valor de alteração percentual é então calculado após o.shift

    Com o acima exposto em mente, podemos simplesmente especificarSeries.pct_shift(..., fill_value={last row of Series})

    from numpy import roll
import pandas as pd

df = pd.DataFrame({
    'Month':[1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12],
    'Value':[1, 0.9, 0.8, 0.75, 0.75, 0.8, 0.7, 0.65, 0.7, 0.8, 0.85, 0.9]
})

df['percent change'] = ( # fill_value = the last number in the 'Value' column
    df['Value'].pct_change(fill_value=df['Value'].iloc[-1]) + 1
)

print(df)
#     Month  Value  percent change
# 0       1   1.00        1.111111
# 1       2   0.90        0.900000
# 2       3   0.80        0.888889
# 3       4   0.75        0.937500
# 4       5   0.75        1.000000
# 5       6   0.80        1.066667
# 6       7   0.70        0.875000
# 7       8   0.65        0.928571
# 8       9   0.70        1.076923
# 9      10   0.80        1.142857
# 10     11   0.85        1.062500
# 11     12   0.90        1.058824
    • 1
  3. Best Answer

    Basta usar numpy.rollo que foi projetado para esta finalidade específica:

    import numpy as np

df['percent change'] = df['Value'].div(np.roll(df['Value'], 1))

    Saída:

        Month  Value  percent change
0       1   1.00        1.111111
1       2   0.90        0.900000
2       3   0.80        0.888889
3       4   0.75        0.937500
4       5   0.75        1.000000
5       6   0.80        1.066667
6       7   0.70        0.875000
7       8   0.65        0.928571
8       9   0.70        1.076923
9      10   0.80        1.142857
10     11   0.85        1.062500
11     12   0.90        1.058824

    Se você precisar executar isso por grupo, combine com groupby.transform:

    import numpy as np

df['percent change'] = df['Value'].div(df.groupby('Group')['Value'].transform(lambda x: np.roll(x, 1)))

    Saída:

        Month  Value  Group  percent change
0       1   1.00      1        1.111111
1       2   0.90      1        0.900000
2       3   0.80      1        0.888889
3       4   0.75      1        0.937500
4       5   0.75      1        1.000000
5       6   0.80      1        1.066667
6       7   0.70      1        0.875000
7       8   0.65      1        0.928571
8       9   0.70      1        1.076923
9      10   0.80      1        1.142857
10     11   0.85      1        1.062500
11     12   0.90      1        1.058824
12      1   1.00      2        1.111111
13      2   0.90      2        0.900000
14      3   0.80      2        0.888889
15      4   0.75      2        0.937500
16      5   0.75      2        1.000000
17      6   0.80      2        1.066667
18      7   0.70      2        0.875000
19      8   0.65      2        0.928571
20      9   0.70      2        1.076923
21     10   0.80      2        1.142857
22     11   0.85      2        1.062500
23     12   0.90      2        1.058824
    • 1

relate perguntas