直接用pct_change()计算相邻元素百分比变化，需确保索引单调递增、处理NaN和零值分母，并优先重采样对齐时间频率。
直接用 pct_change() 就行，但得注意索引和缺失值
在 Pandas DataFrame 或 Series 中，pct_change() 是计算相邻元素变化百分比最直接的方法。它默认按行方向（即沿索引）计算：(当前值 − 前一值) / 前一值。结果第一行总是 NaN，因为没有“前一值”可比。
常见错误是把数据没对齐就直接调用——比如时间序列没按时间排序、或索引乱序，会导致算出的百分比完全错位。务必先确认索引是单调递增的（尤其处理时间数据时用 df.sort_index() 或 df.sort_values('date')）。
-
pct_change()默认periods=1，即和上一行比；想和上 5 行比就写pct_change(periods=5) - 若列含
NaN，它会跳过并传播：前一行是NaN，当前行结果就是NaN；可用fill_method=None禁用插值（默认是'pad'） - 对整列操作：直接
df['col'].pct_change()；返回新 Series，不修改原数据
处理空值和边界情况必须显式干预
pct_change() 遇到首行、NaN、零值都会产出 NaN 或 inf。特别是分母为 0（比如前一值是 0），结果会是 inf 或 -inf，后续计算可能报错或污染统计结果。
- 用
replace([np.inf, -np.inf], np.nan)清洗无穷值 - 用
fillna(0)或ffill()填充首行NaN（但要清楚业务含义：首期变化率为 0 是否合理？） - 若原始列有缺失，先决定策略：删行（
dropna()）、向前填充（ffill()），还是保留NaN让pct_change()自动跳过
按时间频率重采样后再算 pct_change 更可靠
原始数据若不是等间隔（比如股票日频数据里缺了节假日），直接 pct_change() 会把“隔了 3 天”当成“隔了 1 天”，导致百分比失真。这时候应该先用 resample() 对齐频率。
立即学习“Python免费学习笔记（深入）”；
例如日频数据想算周涨跌幅：
df.set_index('date').resample('W-FRI').last()['price'].pct_change()
这里 resample('W-FRI').last() 确保每周取最后一个交易日收盘价，再算周环比。不这么做，直接 pct_change() 可能拿周一和周二比，也可能拿周五和下周一比（中间缺三天），结果不可比。
- 时间列必须是
datetime64类型，否则resample报错 -
resample后记得用聚合方法（如last()、mean()），不然返回的是Resampler对象，不能直接调pct_change()
多列批量计算别用循环，用 axis 参数
如果要对多个数值列同时算变化率，别写 for 循环逐个调 pct_change()。DataFrame 支持直接传入 axis 参数：
df[['col_a', 'col_b', 'col_c']].pct_change(axis=0)
这比循环快，且保持列对齐。注意 axis=0（默认）是按行计算，axis=1 是按列计算（即每行内各列相比），后者极少用，容易混淆。
- 若只关心某几列，先切片再调用，避免对非数值列（如字符串 ID）触发类型错误
- 结果 DataFrame 的列名、索引与原切片一致，可直接赋值回原表：
df['pct_col_a'] = df['col_a'].pct_change()
pct_change() 会返回 inf，不检查的话，后续 mean() 或绘图全崩。 
