Pandas2.2 DataFrame
Computations descriptive stats
| 方法 | 描述 |
|---|---|
| DataFrame.abs() | 用于返回 DataFrame 中每个元素的绝对值 |
| DataFrame.all([axis, bool_only, skipna]) | 用于判断 DataFrame 中是否所有元素在指定轴上都为 True |
| DataFrame.any(*[, axis, bool_only, skipna]) | 用于判断 DataFrame 中是否至少有一个元素在指定轴上为 True |
| DataFrame.clip([lower, upper, axis, inplace]) | 用于截断（限制）DataFrame 中的数值 |
| DataFrame.corr([method, min_periods, …]) | 用于计算 DataFrame 中各列之间的相关系数矩阵（Correlation Matrix） |
| DataFrame.corrwith(other[, axis, drop, …]) | 用于计算当前 DataFrame 的每一列（或行）与另一个 Series 或 DataFrame 中对应列的相关系数 |
| DataFrame.count([axis, numeric_only]) | 用于统计 DataFrame 中每列或每行的非空（非 NaN）元素数量 |
| DataFrame.cov([min_periods, ddof, numeric_only]) | 用于计算 DataFrame 中每对列之间的协方差 |
| DataFrame.cummax([axis, skipna]) | 用于计算 DataFrame 中每列或每行的累计最大值（cumulative maximum） |
| DataFrame.cummin([axis, skipna]) | 用于计算 DataFrame 中每列或每行的累计最小值（cumulative minimum） |
| DataFrame.cumprod([axis, skipna]) | 用于计算 DataFrame 中每列或每行的累计乘积（cumulative product） |
| DataFrame.cumsum([axis, skipna]) | 用于计算 DataFrame 中每列或每行的累计和（cumulative sum） |
| DataFrame.describe([percentiles, include, …]) | 用于快速生成数据集的统计摘要（summary statistics） |
| DataFrame.diff([periods, axis]) | 用于计算 DataFrame 中相邻行或列之间的差值（差分） |
pandas.DataFrame.diff()
pandas.DataFrame.diff() 方法用于计算 DataFrame 中相邻行或列之间的差值（差分）。它常用于时间序列分析、趋势检测、数据变化监控等场景。
📌 方法签名：
DataFrame.diff(periods=1, axis=0)
🧾 参数说明：
| 参数 | 类型 | 描述 |
|---|---|---|
periods |
int, 默认 1 | 指定向前/向后移动的步数，正值表示当前行与前 periods 行相减，负值则相反。 |
axis |
{0/‘index’, 1/‘columns’}, 默认 0 |
0或'index'：按行计算差分（默认）1或'columns'：按列计算差分 |
📊 返回值：
返回一个新的 DataFrame，其形状与原 DataFrame 相同，但第一组（根据 periods 大小）行或列的值为 NaN（因为没有对应的前一行/列进行差分运算）。
✅ 示例及结果：
示例1：默认参数（按行计算一阶差分）
import pandas as pd
df = pd.DataFrame({
'A': [10, 20, 15, 25, 30],
'B': [100, 120, 110, 130, 140]
})
print(df.diff())
输出结果：
A B
0 NaN NaN
1 10.0 20.0
2 -5.0 -10.0
3 10.0 20.0
4 5.0 10.0
解释：
- 默认
periods=1，即每行与上一行相减。 - 第0行无前一行 →
NaN
示例2：设置 periods=2（两阶差分）
print(df.diff(periods=2))
输出结果：
A B
0 NaN NaN
1 NaN NaN
2 -5.0 10.0
3 10.0 20.0
4 15.0 30.0
解释：
- 当前行与前两行相减，因此前两行为
NaN。
示例3：负 periods（未来行减当前行）
print(df.diff(periods=-1))
输出结果：
A B
0 -10.0 -20.0
1 5.0 10.0
2 -10.0 -20.0
3 -5.0 -10.0
4 NaN NaN
解释：
- 当前行与下一行相减（未来减现在），最后一行为
NaN。
示例4：按列计算差分（axis=1）
df_col = pd.DataFrame({
'X': [1, 2, 3],
'Y': [4, 5, 6],
'Z': [7, 8, 9]
})
print(df_col.diff(axis=1))
输出结果：
X Y Z
0 NaN 3.0 3.0
1 NaN 3.0 3.0
2 NaN 3.0 3.0
解释：
- 每列与前一列相减，因此第一列
X全为NaN。
🎯 适用场景：
| 场景 | 描述 |
|---|---|
| 时间序列分析 | 计算每日/每月变化量，如销售额增长、温度变化等 |
| 趋势检测 | 分析数据上升或下降的趋势 |
| 异常检测 | 差分后突变值可能表示异常行为 |
| 特征工程 | 构造新的特征（如变化率、增长率） |
⚠️ 注意事项：
- 只对数值型列有效，非数值列会被忽略
- 差分后的结果中会包含
NaN值（无法计算的部分） - 支持正负
periods，可灵活控制前后方向 - 不会影响原始 DataFrame，返回新对象
📋 总结：
| 特性 | 描述 |
|---|---|
| 功能 | 计算 DataFrame 的行间或列间的差分 |
| 默认行为 | 按行计算一阶差分（periods=1） |
| 是否修改原数据 | 否，返回新 DataFrame |
| 适用类型 | 数值型列（int、float） |
| 灵活性 | 支持任意步长和方向（periods 和 axis） |
diff() 是一个非常实用的数据变换工具，尤其适合处理时间序列和变化监测任务。