极简Pandas库shift

Pandas库shift函数讲解

shift函数是Pandas库中用于数据位移的函数，常用于时间序列数据的处理。通过shift函数，我们可以将数据向上或向下移动指定的周期数。

基本语法

shift函数的基本语法如下：

DataFrame.shift(periods=1, freq=None, axis=0, fill_value=None)

• periods：表示移动的周期数，默认为1。
• freq：表示移动的频率，默认为None。
• axis：表示移动的方向，0表示向下移动，1表示向右移动，默认为0。
• fill_value：表示填充缺失值的值，默认为None。

内容

原始数据：

df = pd.DataFrame({"Col1": [10, 20, 15, 30, 45],
                   "Col2": [13, 23, 18, 33, 48],
                   "Col3": [17, 27, 22, 37, 52]
                   },
                  index=pd.date_range("2020-01-01", "2020-01-05")
                  )

输出：

	Col1	Col2	Col3
2020-01-01	10	13	17
2020-01-02	20	23	27
2020-01-03	15	18	22
2020-01-04	30	33	37
2020-01-05	45	48	52

应用案例1：向下移动数据

df.shift(periods=3)

输出：

	Col1	Col2	Col3
2020-01-01	NaN	NaN	NaN
2020-01-02	NaN	NaN	NaN
2020-01-03	NaN	NaN	NaN
2020-01-04	10.0	13.0	17.0
2020-01-05	20.0	23.0	27.0

应用案例2：向右移动数据

df.shift(periods=1, axis="columns")

输出：

	Col1	Col2	Col3
2020-01-01	NaN	10.0	13.0
2020-01-02	NaN	20.0	23.0
2020-01-03	NaN	15.0	18.0
2020-01-04	NaN	30.0	33.0
2020-01-05	NaN	45.0	48.0

应用案例3：填充缺失值

df.shift(periods=3, fill_value=0)

输出：

	Col1	Col2	Col3
2020-01-01	0	0	0
2020-01-02	0	0	0
2020-01-03	0	0	0
2020-01-04	10.0	13.0	17.0
2020-01-05	20.0	23.0	27.0

应用案例4：按照频率移动数据

df.shift(periods=3, freq="D")

输出：

	Col1	Col2	Col3
2020-01-04	10.0	13.0	17.0
2020-01-05	20.0	23.0	27.0
2020-01-06	15.0	18.0	22.0
2020-01-07	30.0	33.0	37.0
2020-01-08	45.0	48.0	52.0

应用案例5：按照推断的频率移动数据

df.shift(periods=3, freq="infer")

输出：

	Col1	Col2	Col3
2020-01-04	10.0	13.0	17.0
2020-01-05	20.0	23.0	27.0
2020-01-06	15.0	18.0	22.0
2020-01-07	30.0	33.0	37.0
2020-01-08	45.0	48.0	52.0

应用案例6：按照指定的周期数列表移动数据

df['Col1'].shift(periods=[0, 1, 2])

输出：

	Col1_0	Col1_1	Col1_2
2020-01-01	10.0	NaN	NaN
2020-01-02	20.0	10.0	NaN
2020-01-03	15.0	20.0	10.0
2020-01-04	30.0	15.0	20.0
2020-01-05	45.0	30.0	15.0

在这个案例中，我们使用了shift函数对一个特定的列Col1进行了操作，并且传递了一个周期数列表[0, 1, 2]。这意味着我们会得到三列新的数据，分别表示原始数据列Col1在不同周期数位移后的结果。例如，Col1_1是Col1向上移动1个周期后的数据，Col1_2是Col1向上移动2个周期后的数据，以此类推。这样，我们可以一次性得到多个位移后的数据版本，这在某些分析场景中非常有用。