在计算股票因子时，经常会用到前1日或者前N日的数据，这时候就需要用到Pandas的shift方法。本文以sz.002407多氟多在2021年的前10根日线数据（如下表所示）为例，展示shift方法的使用，我们首先将数据加载到一个类型为DataFrame的对象df中。

---

Series的shift方法

我们取df的close列，然后调用shift方法，看一下打印效果：

ss = df['close'].shift(1)
print(ss)

0      NaN
1    20.73
2    20.68
3    19.77
4    19.89
5    19.49
6    17.55
7    18.13
8    18.76
9    19.40
Name: close, dtype: float64

Series的shift方法返回的结果仍为Series，参数表示移动的步数，默认值为1，上面的例子中，数据向下移动了1步，我们也可以传入负数，控制数据向上移动：

ss = df['close'].shift(-2)
print(ss)

0    19.77
1    19.89
2    19.49
3    17.55
4    18.13
5    18.76
6    19.40
7    19.30
8      NaN
9      NaN
Name: close, dtype: float64

我们可以通过下面的方式，将shift得到的结果添加回原来的df中：

df['close_1a'] = df['close'].shift(1)
print(df)

         date   open   high    low  ...     psTTM   pcfNcfTTM  isST  close_1a
0  2021-01-04  20.03  21.40  19.93  ...  3.874122 -336.943766     0       NaN
1  2021-01-05  20.51  21.31  19.95  ...  3.864778 -336.131070     0     20.73
2  2021-01-06  20.83  21.28  19.06  ...  3.694713 -321.340003     0     20.68
3  2021-01-07  19.55  20.44  19.21  ...  3.717139 -323.290473     0     19.77
4  2021-01-08  19.89  20.13  18.60  ...  3.642385 -316.788905     0     19.89
5  2021-01-11  18.90  18.90  17.54  ...  3.279829 -285.256300     0     19.49
6  2021-01-12  17.20  18.35  16.83  ...  3.388222 -294.683573     0     17.55
7  2021-01-13  18.20  19.53  18.20  ...  3.505959 -304.923543     0     18.13
8  2021-01-14  18.69  19.62  18.12  ...  3.625566 -315.326052     0     18.76
9  2021-01-15  19.07  19.68  18.13  ...  3.606877 -313.700660     0     19.40

[10 rows x 18 columns]

df的最后1列，就记录了对应日期的前1日收盘价。

---

DataFrame的shift方法

DataFrame的shift方法与Series的shift方法应用方式类似，只是需要用参数axis来控制数据移动的方向，axis默认值为0，表示按列应用，axis为1时，表示按行应用。

1. 按列应用

print(df.shift(1, axis=0))

         date   open   high    low  ...     pbMRQ     psTTM   pcfNcfTTM  isST
0         NaN    NaN    NaN    NaN  ...       NaN       NaN         NaN   NaN
1  2021-01-04  20.03  21.40  19.93  ...  5.001054  3.874122 -336.943766   0.0
2  2021-01-05  20.51  21.31  19.95  ...  4.988992  3.864778 -336.131070   0.0
3  2021-01-06  20.83  21.28  19.06  ...  4.769457  3.694713 -321.340003   0.0
4  2021-01-07  19.55  20.44  19.21  ...  4.798406  3.717139 -323.290473   0.0
5  2021-01-08  19.89  20.13  18.60  ...  4.701908  3.642385 -316.788905   0.0
6  2021-01-11  18.90  18.90  17.54  ...  4.233888  3.279829 -285.256300   0.0
7  2021-01-12  17.20  18.35  16.83  ...  4.373811  3.388222 -294.683573   0.0
8  2021-01-13  18.20  19.53  18.20  ...  4.525797  3.505959 -304.923543   0.0
9  2021-01-14  18.69  19.62  18.12  ...  4.680195  3.625566 -315.326052   0.0

[10 rows x 17 columns]

所有列均向下移动1步。

假如我们想将股票前1日的最高价和收盘价都添加到对应的行中，可以按如下方式实现：

def shift_i(df, factor_list, i):
    shift_df = df[factor_list].shift(i)
    shift_df.rename(columns={x: '{}_{}a'.format(x, i) for x in factor_list}, inplace=True)
    df = pd.concat([df, shift_df], axis=1)
    return df

df = shift_i(df, ['high', 'close'], 1)
print(df)

         date   open   high    low  ...   pcfNcfTTM  isST  high_1a  close_1a
0  2021-01-04  20.03  21.40  19.93  ... -336.943766     0      NaN       NaN
1  2021-01-05  20.51  21.31  19.95  ... -336.131070     0    21.40     20.73
2  2021-01-06  20.83  21.28  19.06  ... -321.340003     0    21.31     20.68
3  2021-01-07  19.55  20.44  19.21  ... -323.290473     0    21.28     19.77
4  2021-01-08  19.89  20.13  18.60  ... -316.788905     0    20.44     19.89
5  2021-01-11  18.90  18.90  17.54  ... -285.256300     0    20.13     19.49
6  2021-01-12  17.20  18.35  16.83  ... -294.683573     0    18.90     17.55
7  2021-01-13  18.20  19.53  18.20  ... -304.923543     0    18.35     18.13
8  2021-01-14  18.69  19.62  18.12  ... -315.326052     0    19.53     18.76
9  2021-01-15  19.07  19.68  18.13  ... -313.700660     0    19.62     19.40

[10 rows x 19 columns]

shift_i函数实现了对df中的factor_list的所有因子的shift操作，并且修改新列的列名，例如将high向下移动1步的得到数据的列名修改为high_1a，这样对2021-01-05这一行来看，high_1a列的值就是它前1日的最高价。

2. 按行应用

print(df.shift(1, axis=1))

  date        open   high    low  ...      pbMRQ     psTTM  pcfNcfTTM        isST
0  NaN  2021-01-04  20.03  21.40  ... -28.520577  5.001054   3.874122 -336.943766
1  NaN  2021-01-05  20.51  21.31  ... -28.451786  4.988992   3.864778 -336.131070
2  NaN  2021-01-06  20.83  21.28  ... -27.199798  4.769457   3.694713 -321.340003
3  NaN  2021-01-07  19.55  20.44  ... -27.364895  4.798406   3.717139 -323.290473
4  NaN  2021-01-08  19.89  20.13  ... -26.814570  4.701908   3.642385 -316.788905
5  NaN  2021-01-11  18.90  18.90  ... -24.145496  4.233888   3.279829 -285.256300
6  NaN  2021-01-12  17.20  18.35  ... -24.943466  4.373811   3.388222 -294.683573
7  NaN  2021-01-13  18.20  19.53  ... -25.810228  4.525797   3.505959 -304.923543
8  NaN  2021-01-14  18.69  19.62  ... -26.690747  4.680195   3.625566 -315.326052
9  NaN  2021-01-15  19.07  19.68  ... -26.553166  4.656071   3.606877 -313.700660

[10 rows x 17 columns]

所有行均向右移动1步。

目前我们在处理股票数据时，还没涉及到按行应用shift，这里就不展开介绍了。