Python DataFrame shift() 方法详解：参数、用法与时间序列处理

林见深

发布时间：2026-10-15| 6人浏览过

原创

本文详细介绍Python中Pandas库DataFrame对象的shift()方法。通过解析periods、freq和axis三个核心参数，结合正负周期与时间频率的多种组合示例，展示数据前滞与后滞的具体操作。适用于需要处理时间序列数据偏移、计算涨跌幅或进行数据对齐的场景。

在Python数据分析领域，利用shift()方法可以对DataFrame对象中的数据进行位置上的前移或后移操作，从而实现数据的滞后或提前处理。

语法

DataFrame.shift(periods=1, freq=None, axis=0)

periods参数代表移动的步数或幅度。默认情况下，shift执行一次移动一个单位（即periods默认为1），因此总移动长度为1乘以periods的值。
periods参数支持正数和负数。其中，负数表示数据向前滞后（前移），而正数表示数据向后滞后（后移）。
freq参数为可选参数，默认值为None。当索引为时间序列数据时，可将其设置为一个timedelta对象，以指定基于时间的移动频率。
当freq参数为None时，移动操作针对的是数据值本身，即按照periods指定的单位数量进行移动，总长度为periods乘以1。
当freq参数不为None时，移动操作针对的是时间序列索引，移动的长度由periods乘以freq计算得出。
axis参数默认为0，表示对列进行操作。若设置为其他值（如1），则表示对行进行操作。

在移动过程中，如果某些位置没有对应的数据值，这些空缺位置将默认填充为NaN。

示例

当periods为正数且未指定freq时

import pandas as pd
pd.set_option('display.unicode.east_asian_width', True)
data = [51.0, 52.33, 51.21, 54.23, 56.78]
index = ['2022-2-28', '2022-3-1', '2022-3-2', '2022-3-3', '2022-3-4']
df = pd.DataFrame(data=data, index=index, columns=['close'])
df.index.name = 'date'
print(df)
print("=========================================")
df['昨收'] = df['close'].shift()
df['change'] = df['close'] - df['close'].shift()
print(df)

当periods为负数且未指定freq时

import pandas as pd
pd.set_option('display.unicode.east_asian_width', True)
data = [51.0, 52.33, 51.21, 54.23, 56.78]
index = ['2022-2-28', '2022-3-1', '2022-3-2', '2022-3-3', '2022-3-4']
index = pd.to_datetime(index)
index.name = 'date'

df = pd.DataFrame(data=data, index=index, columns=['昨收'])
print(df)
print("=========================================")
df['close'] = df['昨收'].shift(-1)
df['change'] = df['昨收'].shift(-1) - df['close']
print(df)

当periods为正数且指定了正数freq时

import pandas as pd
import datetime
pd.set_option('display.unicode.east_asian_width', True)
data = [51.0, 52.33, 51.21, 54.23, 56.78]
index = ['2022-2-28', '2022-3-1', '2022-3-2', '2022-3-3', '2022-3-4']
index = pd.to_datetime(index)
index.name = 'date'
df = pd.DataFrame(data=data, index=index, columns=['close'])
print(df)
print("=========================================")
print(df.shift(periods=2, freq=datetime.timedelta(3)))

如图所示，索引列的时间序列数据向后滞后了6天，计算方式为periods（2）乘以freq（3天）。

当periods为正数且指定了负数freq时

import pandas as pd
import datetime
pd.set_option('display.unicode.east_asian_width', True)
data = [51.0, 52.33, 51.21, 54.23, 56.78]
index = ['2022-2-28', '2022-3-1', '2022-3-2', '2022-3-3', '2022-3-4']
index = pd.to_datetime(index)
index.name = 'date'
df = pd.DataFrame(data=data, index=index, columns=['close'])
print(df)
print("=========================================")
print(df.shift(periods=3, freq=datetime.timedelta(-3)))

如图所示，索引列的时间序列数据向前前滞了9天，计算方式为periods（3）乘以freq（-3天）。

当periods为负数且指定了负数freq时

import pandas as pd
import datetime
pd.set_option('display.unicode.east_asian_width', True)
data = [51.0, 52.33, 51.21, 54.23, 56.78]
index = ['2022-2-28', '2022-3-1', '2022-3-2', '2022-3-3', '2022-3-4']
index = pd.to_datetime(index)
index.name = 'date'
df = pd.DataFrame(data=data, index=index, columns=['close'])
print(df)
print("=========================================")
print(df.shift(periods=-3, freq=datetime.timedelta(-3)))

如图所示，索引列的时间序列数据向后滞后了9天，计算方式为periods（-3）乘以freq（-3天）。