应使用 pct_change() 计算环比，它自动处理空值、跳过非数值列并统一返回小数形式的百分比；diff() 仅计算绝对差值，需手动除以上期值，易因首行或缺失数据引发 ZeroDivisionError 或 inf。
环比计算要用 diff() 还是 pct_change()？
直接用 pct_change(periods=1)，别自己除——它自动处理空值、跳过非数值列，且结果单位统一为小数（如 0.12 表示 12%）。diff() 只算绝对差值，还得手动除上期值，容易在首行或缺失数据处报 ZeroDivisionError 或返回 inf。
常见错误：对未排序的时间序列直接调用 pct_change()，导致“上期”错位。务必先按时间列 sort_values('date') 并设为索引（set_index('date').sort_index()）。
实操建议：
- 时间列必须是
datetime64类型，否则sort_index()按字符串排会出错（比如 "2023-10" 排在 "2023-2" 后） - 若原始数据含日粒度但需月环比，先用
resample('M').sum()聚合，再算pct_change() - 结果列建议重命名为
'mom_pct'（month-over-month），避免和同比混淆
同比计算必须用 shift() 配合减法或除法
pct_change() 不支持跨年偏移（比如 periods=12 对日频数据是12天，不是12个月）。正确做法是用 shift(freq='12M')（推荐）或 shift(12)（仅当数据严格按月等距且无缺失）。
立即学习“Python免费学习笔记（深入）”；
关键区别：
让 macOS 自动化像说话一样简单 —— 用代码控制你的 Mac，无需学习 AppleScript 系统要求 macOS 14+ (Sonoma) Python 3.9+ 需要开启：辅助功能 + 屏幕录制权限
-
shift(freq='12M')按日历对齐：2024-03-15 自动匹配 2023-03-15，哪怕中间有缺数 -
shift(12)是机械下移12行，若某月缺数据，2024-03 对应的可能是 2023-02，结果完全失真 - 用
shift(freq='12M')前，索引必须是DatetimeIndex，且不能有重复日期（重复会导致shift返回多值）
示例：
df['yoy_pct'] = df['sales'].div(df['sales'].shift(freq='12M')) - 1注意：除零会得
inf，建议加 .replace([np.inf, -np.inf], np.nan) 清洗。
合并环比、同比到原表时索引对齐最容易出错
直接 pd.concat([df, mom_series, yoy_series], axis=1) 看似简单，但若原始 df.index 是整数而非时间戳，shift(freq=...) 生成的 Series 索引是 DatetimeIndex，concat 后全变 NaN。
必须统一索引类型：
- 原始数据没时间索引？先
df = df.set_index('date').sort_index() - 计算完
mom和yoy后，用df.assign(mom_pct=..., yoy_pct=...)，而不是 concat - 如果必须保留原整数索引，就别用
freq参数，改用groupby(df['date'].dt.to_period('M')).apply(...)手动分组计算，但性能差、代码冗长
导出报表前记得处理缺失值与格式化
环比/同比首月、数据断层处必有 NaN，直接导 Excel 会显示 “#VALUE!”。不要用 fillna(0) 掩盖问题——0% 和缺失语义完全不同。
合理做法：
- 用
df['mom_pct'].where(df['sales'].shift(1).notna(), None)显式标记“无可比上期” - 百分比列导出前转为字符串并乘100：
df['mom_pct'].mul(100).round(2).astype(str) + '%' - 若需多级列（如按地区+月份透视），先用
pivot_table()再算环比，别在宽表上硬套pct_change()，否则跨分组污染
最常被忽略的是时区和夏令时：若时间列带 tz-aware（如 UTC），shift(freq='12M') 可能因夏令时切换偏移1小时，导致跨日匹配失败。稳妥做法是先 dt.tz_localize(None) 剥离时区，再运算。
