计算数据框的每日回报/增量

Question

因此，我想计算一些时间序列数据以计算每日回报/增量，其中每日增量 = value_at_time(T)/ value_at_time(T-1)

import pandas as pd
df=pd.DataFrame([1,2,3,7]) #Sample data frame
df[1:]
out:
 0
 1  2
 2  3
 3  7
df[:-1]
out: 
    0
 0  1
 1  2
 2  3
######### Method 1
df[1:]/df[:-1]
out:
    0
0 NaN
1   1
2   1
3 NaN

######### Method 2
df[1:]/df[:-1].values
out:
          0
1  2.000000
2  1.500000
3  2.333333

######### Method 3
df[1:].values/df[:-1]
out:
   0
0  2
1  1
2  2

我的问题是

1. 如果 df[:-1] 和 df[1:] 只有三个值（ dataframe) 那么为什么 Method_1 不起作用？
2. 为什么几乎相似的方法 2 和 3 会给出不同的结果？
3. 为什么在 Method_2 中使用 .values 会使其工作

Answer 1

让我们看看每个

方法 1，如果您查看切片返回的内容，您会发现索引不对齐：

In [87]:
print(df[1:])
print(df[:-1])

   0
1  2
2  3
3  7
   0
0  1
1  2
2  3

那么什么时候除法只有两列相交：

In [88]:
df[1:]/df[:-1]

Out[88]:
     0
0  NaN
1  1.0
2  1.0
3  NaN

方法 2 生成一个 np 数组，它没有索引，因此将按预期按元素顺序执行除法：

In [89]:
df[:-1].values

Out[89]:
array([[1],
       [2],
       [3]], dtype=int64)

给予：

In [90]:
df[1:]/df[:-1].values

Out[90]:
          0
1  2.000000
2  1.500000
3  2.333333

方法3和方法2的道理一样

所以问题是如何在纯熊猫中做到这一点？我们使用shift 让您可以根据需要对齐索引：

In [92]:
df.shift(-1)/df

Out[92]:
          0
0  2.000000
1  1.500000
2  2.333333
3       NaN