【Pandas】pandas DataFrame shift

Pandas2.2 DataFrame

Time Series-related

方法	描述
DataFrame.asfreq(freq[, method, how, …])	用于**将时间序列数据转换为指定频率（resample to frequency）**的方法
DataFrame.asof(where[, subset])	用于查找时间序列中最接近指定时间点的非 NaN 值的方法
DataFrame.shift([periods, freq, axis, …])	用于**将 DataFrame 的数据沿着指定轴移动（平移）**的方法

pandas.DataFrame.shift()

pandas.DataFrame.shift() 是一个用于**将 DataFrame 的数据沿着指定轴移动（平移）**的方法。它常用于时间序列分析中，例如计算滞后值（lag）、滚动变化等。

---

📌 方法签名

DataFrame.shift(periods=1, freq=None, axis=0, fill_value=<no_default>, suffix=None)

---

🔧 参数说明：

参数	说明
periods	移动的步数，默认为 1；正值表示向下/向右移动，负值表示向上/向左移动
freq	可选参数，如果索引是时间类型，可以指定频率（如 'D', 'H' 等），此时会调整时间索引而不是数据
axis	移动方向，默认为 0（行方向），即纵向移动；若为 1 则横向移动列
fill_value	用于填充新引入的 NaN 值，默认为 NaN，可设置为任意标量（如 0）
suffix	Pandas 2.2 新增参数，用于在移动后重命名列名，仅在返回新 DataFrame 时有效（当 freq 不为 None 时不生效）

---

✅ 返回值

• 返回一个新的 DataFrame；
• 原始数据不会被修改（除非使用 inplace=True）；

---

🧪 示例代码及结果

示例 1：基本用法（默认参数）

import pandas as pd
import numpy as np# 创建一个简单的 DataFrame
df = pd.DataFrame({'A': [10, 20, 30, 40],'B': [100, 200, 300, 400]
}, index=['x', 'y', 'z', 'w'])print("Original DataFrame:")
print(df)

输出：

    A    B
x  10  100
y  20  200
z  30  300
w  40  400

# 向下移动一行（默认 periods=1）
shifted_df = df.shift()
print("\nAfter shift():")
print(shifted_df)

输出：

     A      B
x  NaN    NaN
y  10.0  100.0
z  20.0  200.0
w  30.0  300.0

---

示例 2：向前移动（负数 periods）

# 向上移动一行
shifted_up = df.shift(-1)
print("\nAfter shift(-1):")
print(shifted_up)

输出：

     A      B
x  20.0  200.0
y  30.0  300.0
z  40.0  400.0
w   NaN    NaN

---

示例 3：设置 fill_value

# 使用 0 填充空缺值
shifted_fill0 = df.shift(fill_value=0)
print("\nAfter shift(fill_value=0):")
print(shifted_fill0)

输出：

    A    B
x   0    0
y  10  100
z  20  200
w  30  300

---

示例 4：按时间频率移动（freq 参数）

# 创建带时间索引的 DataFrame
index = pd.date_range('2025-01-01', periods=4, freq='D')
df_time = pd.DataFrame({'value': [10, 20, 30, 40]
}, index=index)print("Original Time Series DataFrame:")
print(df_time)

输出：

            value
2025-01-01     10
2025-01-02     20
2025-01-03     30
2025-01-04     40

# 按一天频率移动时间索引（不改变数据位置）
shifted_freq = df_time.shift(freq='D')
print("\nAfter shift(freq='D'):")
print(shifted_freq)

输出：

            value
2025-01-02     10
2025-01-03     20
2025-01-04     30
2025-01-05     40

---

🧠 应用场景

场景	说明
时间序列滞后分析	计算当前值与前一时刻的差值、增长率等
特征工程	构造滞后特征用于预测模型
数据对齐	对齐不同时间点的数据进行比较
缺失值插入	模拟缺失或延迟观测数据
窗口计算辅助	配合 .diff(), .pct_change() 等方法使用

---

⚠️ 注意事项

• shift() 默认是按行移动（axis=0）；
• 如果使用 freq，则不会改变数据内容，只会移动索引；
• suffix 参数只在返回新 DataFrame 时生效（不能与 freq 一起使用）；
• fill_value 可以避免出现 NaN，便于后续处理；
• 若 periods 很大，可能导致大量 NaN 出现。

---

✅ 总结对比

方法	是否移动数据	是否支持时间频率	是否支持列名后缀	是否填充缺失值
.shift()	✅	✅	✅（Pandas 2.2+）	✅
.diff()	✅（自动调用 shift）	❌	❌	❌
.rolling()	❌	❌	❌	❌
.reindex()	❌	✅	❌	✅

---

如果你希望构造滞后变量、对齐时间序列数据、或模拟延迟观测，shift() 是非常实用且灵活的工具。