一、shift 往下挪一行

df['总分'].shift(1) 整列往下挪一格，第一行空出来变成 NaN。 原来第 2 行拿到的是第 1 行的值——这就是「上一期」。 第一行一定是空的。这是「没有上一期」的诚实表达，不要去填 0。

填 0 的后果：第一行的「升降」会算成「从 0 涨到 265」，凭空多出一个巨大涨幅。

二、shift(-1) 往上挪

给负数就是往上挪，最后一行空。 shift(-1) 看的是「下一期」，做预测标签的时候常用：拿今天的数据预测明天的值。 方向记牢：正数往下（看历史），负数往上（看未来）。

三、和原列一减就是升降

df['升降'] = df['总分'] - df['总分'].shift(1)，得到 NaN、12、-54、29…… 第一个值是 NaN，因为「上一位」不存在——减出来还是 NaN，不会变成总分本身。 第二个 12 是 277 减 265。第三个 -54 是 223 减 277，说明降了。

pct_change() 直接给变化率：0.045、-0.195、0.130，也就是涨了 4.5%。 升降和变化率是两个东西。差值是绝对量，变化率是相对量，报告里要说清是哪个。 277 涨到 300 和 20 涨到 43，差值是 23 对 23，变化率是 8% 对 115%。

四、shift 的三个用处

shift 挪的是「行」，不是「时间」。这是它最容易错的地方。 时间不连续（缺了几天、顺序乱了）的时候，shift(1) 拿到的是「上一行」而不是「昨天」。 所以用 shift 之前一定先按时间排序，并确认没有缺行。

五、动手 Demo：数据移位：shift 与升降比较

用十个总分演示 shift(1)、shift(-1) 和相减得到的升降。 最后比一比差值和变化率在同一段数据上的不同说法。

import pandas as pd

N = ["张伟", "王芳", "李娜", "刘洋", "陈静",
     "杨帆", "赵敏", "黄磊", "周涛", "吴霞"]
T = [265, 277, 223, 252, 258, 221, 274, 197, 253, 256]
D = pd.DataFrame({"姓名": N, "总分": T})

D["上一位"] = D["总分"].shift(1)
D["下一位"] = D["总分"].shift(-1)
D["升降"] = D["总分"] - D["上一位"]
D["变化率"] = D["总分"].pct_change().round(3)

print(D.head(4).to_string(index=False))
print(D.tail(2).to_string(index=False))
print("升降总和 %d，首尾差 %d" % (D["升降"].sum(), T[-1] - T[0]))

实跑输出：

--------------------------------------------------------------------
数据移位：shift 与升降比较
--------------------------------------------------------------------

  ① shift 往下挪一行
  --------------------------------------------------------------------

| 行 | 姓名 | 总分 | 上一位总分 |
|---|---:|---:|---:|
| 0 | 张伟 | 265 | nan |
| 1 | 王芳 | 277 | 265.0 |
| 2 | 李娜 | 223 | 277.0 |

  shift(1) 把整列往下挪一格，第一行空出来变成 NaN。
  原来第 2 行拿到的是第 1 行的值——这就是「上一期」。
  ! 第一行一定是空的。这是「没有上一期」的诚实表达，不要去填 0。

  ② shift(-1) 往上挪
  --------------------------------------------------------------------

| 行 | 姓名 | 总分 | 下一位总分 |
|---|---:|---:|---:|
| 7 | 黄磊 | 197 | 253.0 |
| 8 | 周涛 | 253 | 256.0 |
| 9 | 吴霞 | 256 | nan |

  给负数就是往上挪，最后一行空。
  shift(-1) 看的是「下一期」，做预测标签的时候常用。
  ! 记住方向：正数往下（看历史），负数往上（看未来）。

  ③ 和原列一减就是升降
  --------------------------------------------------------------------

| 行 | 姓名 | 总分 | 升降 |
|---|---:|---:|---:|
| 0 | 张伟 | 265 | nan |
| 1 | 王芳 | 277 | 12.0 |
| 2 | 李娜 | 223 | -54.0 |
| 3 | 刘洋 | 252 | 29.0 |

  第一个值是 NaN，因为「上一位」不存在——减出来还是 NaN，不会变成总分本身。
  pct_change() 直接给变化率：0.045、-0.195、0.130。
  ! 升降和变化率是两个东西：差值是绝对量，变化率是相对量。报告里说清是哪个。

  ④ shift 的三个用处
  --------------------------------------------------------------------

| 场景 | 写法 |
|---|---|
| 算环比 | 列减列.shift(1) |
| 算同比 | 列减列.shift(12)（月度数据） |
| 造预测标签 | 列.shift(-1) |

  shift 的参数是按「行」挪，不是按时间挪。时间不连续的时候要小心。
  ! 时间序列的环比同比都靠 shift。前提是数据已经按时间排好序。

升降.sum() 等于 256 减 265 = -9——所有小段涨跌加起来正好是从头到尾的变化。 这是个好用的自检：升降之和必须等于首尾之差。对不上就说明中间有缺行。

30 秒实验

1. 把 shift(1) 改成 shift(2)，看第一、二行是不是都空了。
2. 用 shift(1) 加上原列，还原成「上一位 + 升降」，看等不等于总分。
3. 想一想：如果某天缺了一行数据，shift(1) 算出来的升降会是什么？

常见误区

1. 第一行的 NaN 填 0：凭空造出一个巨大涨幅。
2. 方向记反：shift(-1) 当成了上一期，环比算成「下比上」。
3. 以为 shift 按时间挪：缺行的时候它照样只挪一行。
4. 升降和变化率混着报：一个说「涨了 12」，一个说「涨了 4.5%」，读者对不上。

一列里塞了两个字段怎么办？下一篇讲拆列，还有宽表和长表互转。

• ☐ （本篇完，下一篇 4.10 一列拆多列与行列转换）

相关笔记

• 用字典和 Series 分组
• 一列拆多列与行列转换
• 时间序列与两个综合案例
• 📊 Python 数据分析 · 索引