Python 遍历DataFrame行以创建新列，同时引用其他行

我有一个大型数据框架，其中包含股票的基本数据。下面是数据帧（数据）的头部和尾部的图像。它拥有2005-2015年期间每种证券和每年的数据。请注意“calendardate”列

我的目标是到每一行，取“revenueusd”数据点，然后除以前一年的“revenueusd”数据点，得到每种证券1年的收入增长变化。第二个数据点使用ticker和calendardate进行定位

我一直在尝试对lambda使用apply函数，但它不起作用。下面是我一直在尝试的代码：

def conversion(tick, dates,dataframe):
    date1 = datetime.datetime.strptime(dates, "%Y-%m-%d").date()
    date2 = datetime.date(date1.year-1,date1.month,date1.day).strftime("%Y-%m-%d")
    growth = dataframe[(dataframe['ticker']==tick)&(dataframe['calendardate']==dates)]['revenueusd']/dataframe[(dataframe['ticker']==tick)&(dataframe['calendardate']==date2)]['revenueusd']-1
    return growth

data['1yrRevenueGrowth']=data.apply(lambda x: conversion(x['ticker'],x['calendardate'],data),axis=1)

我已经被困在这几天和搜索论坛无情。任何帮助都将不胜感激

---

有一个很好的函数为您调用。例如，您可以这样做：

import pandas as pd
data = pd.read_csv("data.csv", index_col=0)
data.groupby("ticker").apply(lambda x : x.set_index("calendardate").sort_index()["revenueusd"].pct_change())

data["calendardate"] = pd.to_datetime(data["calendardate"], infer_datetime_format=True)

对于每个ticker值，将构造一个按日历日期排序的序列，然后应用函数

pct_change

（默认情况下，该函数计算两个连续条目之间的比率）

还有一件事，您的日期格式很好，因此您可以轻松地将列转换为datetime类型，如下所示：

import pandas as pd
data = pd.read_csv("data.csv", index_col=0)
data.groupby("ticker").apply(lambda x : x.set_index("calendardate").sort_index()["revenueusd"].pct_change())

data["calendardate"] = pd.to_datetime(data["calendardate"], infer_datetime_format=True)

从这一点开始：

 ticker ticker.1 calendardate   revenueusd          gp      rnd  
0      A        A   2015-12-31   4038000000  2041000000  330000000
1     AA       AA   2015-12-31  22534000000  4465000000  238000000
2      A        A   2014-12-31    403800000   204100000  330000000
3     AA       AA   2014-12-31   2253400000   446500000  238000000
4      A        A   2013-12-31    403800000    20410000  330000000
5     AA       AA   2013-12-31    225340000    44650000  238000000
6      A        A   2012-12-31       403800     2041000  330000000
7     AA       AA   2012-12-31     22534000     4465000  238000000


df["pct"] =  df.groupby("ticker")['revenueusd'].pct_change()



 ticker ticker.1 calendardate   revenueusd          gp      rnd      pct
0      A        A   2015-12-31   4038000000  2041000000  330000000    NaN
1     AA       AA   2015-12-31  22534000000  4465000000  238000000    NaN
2      A        A   2014-12-31    403800000   204100000  330000000 -0.900
3     AA       AA   2014-12-31   2253400000   446500000  238000000 -0.900
4      A        A   2013-12-31    403800000    20410000  330000000  0.000
5     AA       AA   2013-12-31    225340000    44650000  238000000 -0.900
6      A        A   2012-12-31       403800     2041000  330000000 -0.999
7     AA       AA   2012-12-31     22534000     4465000  238000000 -0.900

---

在应用groupby之前，您可能需要对数据帧进行排序

请在你的问题文本中加入你的数据样本，而不是链接到图像。这样做的最佳方式是什么？我试着把它写进课文里，它看起来很潦草。谢谢你的帮助！不知道你的意思。只需复制并粘贴数据帧的一部分，并使用StackOverflow编辑器中的格式化工具对其进行格式化，就像它是代码一样。最好包含生成数据的代码，或者以类似CSV的格式包含数据片段，以便其他人自己剪切、粘贴和加载。感谢您的提示。我已经在CSV格式的文本中添加了一个数据示例。让我知道这是否是您的想法。也许

.apply（lambda x:x.pct_change（））

与

.pct_change（）

相同？