pandas pct_change и когда: процентное изменение и текущие итоги

1. Сначала доберитесь до серии, и двумя способами

И итоговые изменения, и совокупные итоги работают со строками по порядку, поэтому первое задание — это одна строка за период. У pandas есть два способа сделать это, и они не согласны.

o.groupby(o.order_date.dt.to_period("M"))["revenue"].sum()

2026-01    2630
2026-02    2245
2026-03    2585
2026-05    2430

o.set_index("order_date")["revenue"].resample("MS").sum()

2026-01-01    2630
2026-02-01    2245
2026-03-01    2585
2026-04-01       0
2026-05-01    2430

Четыре ряда против пяти. groupby может создать строку только для значения, которое существует в данных, поэтому месяц без заказов ничего не дает. resample сначала строит обычный календарь по всему диапазону, а затем заполняет его, поэтому апрель отображается с нулем.

Это самая полезная вещь на этой странице, и о ней стоит сказать прямо: передискретизация дает вам календарь бесплатно, а группировка - нет. Тот же пробел необходимо устранить вручную в электронной таблице и путем присоединения к сгенерированному календарю в SQL; здесь это имя метода.

resample нужен индекс даты и времени, вот что set_index("order_date") предназначено для, а строка представляет собой частоту: "MS" на начало месяца, "ME" на конец месяца, "W" на неделю, "D" на каждый день, "QS" для начала четверти. Выберите начало месяца, если у вас нет причины, потому что метка 2026-04-01 читается как апрель, а метка 2026-04-30 читается как май кем-то, кто спешит.

2. pct_change

Один метод, и он сравнивает каждую строку с строкой над ней.

s.pct_change()             a proportion: -0.1464
(s.pct_change() * 100).round(1)   a percentage: -14.6

В четырехрядной версии:

2026-01    2630     NaN
2026-02    2245   -14.6
2026-03    2585    15.1
2026-05    2430    -6.0

Проверьте вручную: 2245, разделенное на 2630, равно 0,8536, минус 1 равно -0,1464, что составляет -14,6%. Первый ряд NaN потому что над ним ничего нет, и это правильно: оставьте его, а не заполняйте нулем, потому что ноль будет претендовать на плоский рост в период, когда рост не определен.

periods= меняет, насколько далеко назад это выглядит. periods=12 в ежемесячном ряду это год к году, и это сравнение, которое вам нужно для чего-либо сезонного, и это означает только двенадцать месяцев, если каждый месяц представляет собой строку.

3. Пустой период и какой метод его создает

Перед пояснением: взгляните еще раз на таблицу из четырех строк. Май составляет -6,0%. Скажите, какие два месяца можно сравнить.

Май и март. pct_change выглядит один Строка назад, а ряд выше мая — это март, потому что апрель так и не стал рядом. Эта цифра представляет собой реальное сравнение двух реальных месяцев, напечатанное в столбце с надписью «Месячное изменение».

Теперь тот же расчет для серии с повторной выборкой, где существует апрель:

2026-01-01   2630     NaN
2026-02-01   2245   -14.6
2026-03-01   2585    15.1
2026-04-01      0  -100.0
2026-05-01   2430     inf

Пять рядов и три цифры изменили значение. Апрель — это видимый ноль и истинное −100,0%. Май уже не −6,0%; это inf, это четвертый раздел.

Вторая версия выглядит более запутанной и является более честной. Первая версия является аккуратной, потому что в ней отсутствует строка, а аккуратность, вызванная отсутствием данных, является наиболее убедительной ошибкой.

Скажите вслух, какой вывод вы бы сделали из таблицы из четырех строк. Что-то вроде «Май был немного ниже апреля», то есть предложение о месяце, в течение которого вообще ничего не происходило.

4. Деление на ноль дает бесконечность

Апрель был нулевым, поэтому изменение мая равно 2430, разделенному на 0, и pandas возвращаются. inf а не повышать.

s.pct_change().tolist()
[nan, -0.1464, 0.1514, -1.0, inf]

Это математически правильный ответ, и его ужасно оставлять в отчете, потому что он будет отформатирован как пробел, ошибка или что-то абсурдное в зависимости от того, что будет читаться дальше. Рост из ничего не имеет процента: любое увеличение с нуля бесконечно в процентном отношении, поэтому не существует разумного числа, которое можно было бы вывести.

Специально преобразуйте его в отсутствующее значение, чтобы нижестоящий код обрабатывал его как неизвестное, а не как очень большое число:

import numpy as np
change = s.pct_change().replace([np.inf, -np.inf], np.nan)

[nan, -0.1464, 0.1514, -1.0, nan]

Чего не следует делать, так это fillna(0), который сообщает о 0% росте за месяц, который вырос с нуля до 2430. Это не компромисс по округлению, это противоположно тому, что произошло.

И что бы вы ни показывали, указывайте абсолютное изменение рядом с процентом. Февральское значение -14,6% также равно -385; Мэйский рост не имеет процентного значения и составляет +2430. Счет и норма читаются по-разному, и их пару гораздо труднее неправильно прочитать, чем каждый из них по отдельности.

5. когда и чек, который его закрывает

cumsum() добавляет каждое значение ко всему, что перед ним.

2026-01-01   2630    2630
2026-02-01   2245    4875
2026-03-01   2585    7460
2026-04-01      0    7460
2026-05-01   2430    9890

Строка Эйприл содержит фиксированную сумму итогов, и это совершенно правильно: ничего не произошло, поэтому промежуточная сумма не изменилась, и шаг в строке скорее виден, чем отсутствует.

Последнее значение — 9890, что является суммой всей таблицы. Это равенство является проверкой, и оно должно быть утверждением, а не взглядом:

assert s.cumsum().iloc[-1] == s.sum()

Если это не удалось, либо строка была продублирована до накопления, обычно путем слияния, либо серия содержит отсутствующее значение. Оба меняют последнее число, и ни один из них не меняет ничего видимого в столбце.

6. Доля от общего количества

Совокупная сумма, разделенная на общую сумму, — это столбец, который люди действительно читают, потому что процент года — это предложение, а 7460 — число.

(s.cumsum() / s.sum() * 100).round(1)

2026-01-01    26.6
2026-02-01    49.3
2026-03-01    75.4
2026-04-01    75.4
2026-05-01   100.0

К концу марта было получено три четверти годовой выручки. И последнее значение — 100,0, это тот же чек, что и в пятом разделе, но в другой шляпе: если итоговая доля не равна точно сотне, что-то не складывается.

Та же форма дает простую акцию, а не накопительную, s / s.sum(), и оба заслуживают внимания: один говорит, насколько большим был каждый месяц, другой говорит, какая часть года прошла к тому времени.

7. прокатка и расширение

Два окна, и разница в том, движется ли старт.

s.rolling(3).mean().round(2)      s.expanding().sum()

2026-01-01       NaN                    2630
2026-02-01       NaN                    4875
2026-03-01   2486.67                    7460
2026-04-01   1610.00                    7460
2026-05-01   1671.67                    9890

rolling(3) представляет собой окно фиксированной ширины, которое перемещается: каждое значение представляет собой среднее значение этой строки и двух предшествующих ей. expanding() начинается с самого начала и растет, поэтому expanding().sum() это точно cumsum() и два столбца выше совпадают.

Проверьте одно скользящее значение: три месяца, заканчивающиеся в марте, составляют 2630, 2245 и 2585, что в среднем составляет 2486,67. Первые две строки NaN потому что трех значений еще нет, и это правильное значение по умолчанию: min_periods=1 заполнил бы их средними значениями одного и двух значений, которые выглядят как средние значения за три месяца, но таковыми не являются.

Сглаживание предназначено для считывания направления из зашумленной линии, а честная версия делает это симметрично или не делает вообще. Скользящая средняя всегда отстает от объекта, который она сглаживает, поэтому точка поворота появляется позже, чем она произошла; использовать center=True когда вы описываете прошлое, и скользящее окно, когда вы притворяетесь, что не знаете будущего.

8. Суммарно на группу

Все вышеперечисленное работает для каждой группы с одним дополнительным вызовом, а порядок имеет большее значение, чем обычно, поскольку накопление соответствует порядку строк.

c = o.sort_values("order_date")
c["running"] = c.groupby("region")["revenue"].cumsum()

last row of each region:
East    2026-05-04    600    3040
North   2026-05-11    510    2495
South   2026-05-18    880    2670
West    2026-05-25    440    1685

Каждый регион накапливается отдельно и заканчивается своей собственной суммой, и эти четыре суммы в сумме составляют 9890, поэтому каждая строка учитывается ровно один раз.

тот sort_values спереди не является обязательным. groupby(...).cumsum() накапливается в любом порядке, в котором находятся строки, поэтому несортированный фрейм дает промежуточный итог, который является арифметически правильным и хронологически бессмысленным. Сортируйте сначала каждый раз и по столбцу, который разрывает связи, чтобы результат был одинаковым при каждом запуске.

pct_change работает так же, groupby(...)["revenue"].pct_change(), и он правильно возвращает NaN для первого ряда каждой группы, а не переносить их с предыдущей группы.

Представьте на мгновение свою наиболее часто используемую серию. Он построен с groupby или с resample, и знаете ли вы, пропущены ли какие-либо из его периодов?

Пограничные случаи, которые стоит знать

Шесть, которые появятся.

Несортированный сериал. Оба метода используют порядок строк, поэтому кадр, который не соответствует порядку дат, создает столбец изменений и промежуточный итог, которые являются арифметически правильными и ничего не описывают. Сортируйте заранее, всегда.

Отсутствующие значения. A NaN в середине ряда распространяется: cumsum отмечает эту позицию NaN и продолжает делать все остальное, и pct_change возвращает NaN для двух строк, а не для одной, поскольку задействованы и значение, и его сосед. Решите, является ли разрыв нулем или неизвестным, прежде чем накапливать.

Отрицательные значения. Если период может быть отрицательным, месяц возврата, pct_change дает ответы, которые арифметически верны и сообщают противоположное тому, что произошло. Сообщите там об абсолютном изменении и сбросьте процент.

Частичный текущий период. Последняя строка серии с повторной выборкой почти всегда неполная, поэтому она всегда выглядит как коллапс. Исключите это или пометьте.

Повторная выборка по индексу без даты и времени. Он повышает, что является хорошим результатом; если ваши даты являются строками, вы узнаете об этом здесь, и руководство по read_csv здесь вы это исправите.

diff против pct_change. Они отвечают на разные вопросы, а их имена подталкивают к неправильному выбору. diff является абсолютным изменением и всегда определяется; pct_change представляет собой относительное изменение и не определено с нулевой базой. Опубликуйте оба.