pandas pct_change()の使い方｜前日比・増減率の計算方法

日別売上を見て、「前日より100円増えた」ことは分かっても、「何％増えたか」の計算で迷うことはありませんか。

Pandasでは、前の行からの増減率をpct_change()で計算できます。

df["前日比"] = df["売上"].pct_change(fill_method=None)

最初に覚えるポイントは3つです。

1. 結果の0.1は10％増加を表す
2. 最初の行は比較元がないためNaNになる
3. 比較するのは暦上の前日ではなくデータ上の前の行

したがって「前日比」と呼べるのは、日付が1日間隔で古い順に並んでいる場合です。この記事では日別売上を例に、基本的な使い方から結果の読み方、periods、0や欠損値の注意点まで解説します。

この記事でわかること

• pct_change()で前の行からの増減率を求める方法
• 0.1や-0.2をパーセントで読む方法
• 最初の行がNaNになる理由
• periodsで比較する行を変える方法
• 日付の並び、欠損値、比較元が0の場合の注意点
• diff()・shift()・rolling()との使い分け

この記事のゴールは、日付と行順を確認してからpct_change()を使い、増減率を正しく計算・解釈できるようになることです。

先に結論：増減率を求めるならpct_change()を使う

似た処理は、知りたい内容によって使い分けます。

たとえば、売上が1,000円から1,100円になった場合、diff()の結果は100円、pct_change()の結果は0.1、つまり10％です。

増減した量ならdiff()、増減した割合ならpct_change()と判断すると迷いにくくなります。

pct_change()の計算式と結果の読み方

pct_change()は、現在の値を前の行と比べて、どれだけ増減したかを割合で返します。

増減率 = (現在の値 − 前の行の値) ÷ 前の行の値

結果を読むときは、符号と100倍した値に注目します。

たとえば0.1は0.1％ではなく、10％増加です。

日別売上のサンプルデータを用意する

ここでは、5日分の日付と売上を持つDataFrameを使います。Google Colabで上から順番に実行できます。

import pandas as pd
import numpy as np

df = pd.DataFrame({
    "日付": ["2026-08-18", "2026-08-19", "2026-08-20", "2026-08-21", "2026-08-22"],
    "売上": [1000, 1100, 990, 990, 1188]
})

df

売上は1,000円、1,100円、990円、990円、1,188円と変化しています。この同じデータで、差額と増減率の違いを確認します。

pct_change()の前に日付型と並び順を確認する

pct_change()は、日付の意味を読み取って「前日」を探すのではなく、現在の行と前の行を比較します。そのため、計算前に日付型へ変換し、古い日付から並べることが重要です。

df["日付"] = pd.to_datetime(df["日付"])
df = df.sort_values("日付").reset_index(drop=True)

df.dtypes

日付がdatetime64[ns]になっていることを確認します。そのうえでsort_values()を使い、日付の昇順に整えています。

日付変換の詳細は「pandas to_datetime()の使い方」、並び替えは「pandas 並び替え（sort）入門」で確認できます。

pct_change()で前の行からの増減率を計算する

売上列にpct_change()を使います。fill_method=Noneを明示すると、欠損値を自動的に前の値で補わずに計算できます。

df["前日比"] = df["売上"].pct_change(fill_method=None)

df

前日比列では、2行目が0.1、3行目が-0.1、4行目が0.0、5行目が0.2になります。

• 1,000円から1,100円：10％増加
• 1,100円から990円：10％減少
• 990円から990円：変化なし
• 990円から1,188円：20％増加

最初の行がNaNになるのは、比較する前の行が存在しないためです。エラーではありません。

どの値と比較したかを表で確認する

結果だけでは計算の向きが分かりにくいため、shift()で比較元、diff()で増減額を表示します。現在値・比較元・結果を横に並べると、どの値を分母にしたか確認できます。

comparison = df[["日付", "売上"]].copy()
comparison["前の行の売上"] = comparison["売上"].shift(1)
comparison["増減額"] = comparison["売上"].diff()
comparison["増減率"] = comparison["売上"].pct_change(fill_method=None)
comparison["増減率（%）"] = comparison["増減率"] * 100

comparison

2行目では、現在の売上1,100円から比較元の1,000円を引き、その100円を1,000円で割っています。

役割は次のように整理できます。

• shift()：比較元の値を確認する
• diff()：増減した量を求める
• pct_change()：増減した割合を求める

増減率をパーセントで表示する

pct_change()の結果を数値としてパーセントに直す場合は、100を掛けます。分析に使える数値のまま保持するため、%記号を含む文字列には変換しません。

df["前日比（%）"] = (df["前日比"] * 100).round(1)

df[["日付", "売上", "前日比", "前日比（%）"]]

前日比の0.1と、前日比（%）の10.0は同じ変化を表します。前者は割合、後者は100倍したパーセント値です。

列を追加する基本については「pandasで新しい列を追加する方法」で詳しく確認できます。

periodsで2行前からの増減率を計算する

periodsは、何行前と比較するかを指定する引数です。初期値は1です。periods=2にすると2行前と比較します。

df["2行前比"] = df["売上"].pct_change(periods=2, fill_method=None)
df["2行前比（%）"] = (df["2行前比"] * 100).round(1)

df[["日付", "売上", "2行前比", "2行前比（%）"]]

最初の2行は、2行前の比較元がないためNaNになります。

3行目の売上990円は2行前の1,000円と比べて1％減少、4行目の990円は2行前の1,100円と比べて10％減少、5行目の1,188円は2行前の990円と比べて20％増加しています。

periods=2は「2日前」ではなく2行前です。日付が1日間隔で並んでいるときだけ、2日前との比較と一致します。

正の値・負の値・0・NaNをどう読むか

結果は次のように読みます。

注意したいのは0です。100から0への変化は-100％ですが、0から100への増加率は計算できません。比較元の0を分母にできないため、増加と減少は単純に対称にはなりません。

コードは動くが結果を誤解しやすい場面

前の行は必ずしも前日ではない

次のデータでは、8月19日の次が8月22日です。pct_change()は8月22日を8月19日と比較します。

business_days = pd.DataFrame({
    "日付": pd.to_datetime(["2026-08-18", "2026-08-19", "2026-08-22"]),
    "売上": [1000, 1100, 1210]
})

business_days["前の行からの増減率"] = business_days["売上"].pct_change(fill_method=None)
business_days

8月22日の結果は10％ですが、これは8月21日との前日比ではなく、データ上の前の行である8月19日からの増減率です。

営業日データなら「前営業日比」と呼べます。暦上の前日比が必要な場合は、日付の間隔を確認し、必要に応じて日次の行をそろえてから計算します。月次データなら同じ考え方で前月比を計算できます。

比較元が0の場合は無限大になる

比較元が0の場合、増減率の計算では0による割り算が発生します。

zero_example = pd.DataFrame({
    "売上": [100, 0, 50]
})

zero_example["増減率"] = zero_example["売上"].pct_change(fill_method=None)
zero_example

100から0への変化は-1.0、つまり-100％です。一方、0から50への変化はinf（無限大）になります。

これはコードの失敗ではなく、比較元が0なので通常の増減率を定義できないためです。0を都合のよい別の値に置き換えるのではなく、元データで0が何を意味するか確認し、必要なら該当行を別扱いにします。

欠損値を安易に0で埋めない

欠損値があるデータでは、比較に必要な値がそろわない行がNaNになります。

missing_example = pd.DataFrame({
    "売上": [100, np.nan, 120]
})

missing_example["増減率"] = missing_example["売上"].pct_change(fill_method=None)
missing_example

2行目は現在値が欠損し、3行目は比較元となる2行目が欠損しているため、どちらも増減率を計算できません。

欠損値を0で埋めてから計算すると、実際には観測されていない「売上0円」を作り、-100％やinfを発生させる可能性があります。補完する場合は、列の意味と欠損理由を確認してください。欠損値の扱いは「pandas fillna()の使い方」で詳しく解説しています。

Pandasのバージョンによる欠損値補完の挙動へ依存しないよう、この記事ではfill_method=Noneを明示しています。

日付を並び替えないと計算結果が変わる

pct_change()は現在の行順を使います。日付が降順や不規則な順番のままでもコードは動きますが、前日比としては誤った結果になることがあります。

計算前に次の3点を確認します。

1. 日付列がdatetime型になっている
2. 日付が古い順に並んでいる
3. 各行の日付間隔が目的に合っている

CSVを読み込んだ直後は、head()・dtypes・日付の並びを確認してから計算すると安全です。

日別売上と前日比を折れ線グラフで確認する

最後に、売上と前日比を同じ期間で可視化します。左軸が売上、右軸が前日比です。日本語をColabで表示するため、最初の実行時にjapanize-matplotlibを読み込みます。

%pip -q install japanize-matplotlib

import matplotlib.pyplot as plt
import japanize_matplotlib

fig, ax1 = plt.subplots(figsize=(9, 5))

ax1.plot(df["日付"], df["売上"], marker="o", color="tab:blue", label="売上")
ax1.set_xlabel("日付")
ax1.set_ylabel("売上（円）", color="tab:blue")
ax1.tick_params(axis="y", labelcolor="tab:blue")
ax1.grid(alpha=0.3)

ax2 = ax1.twinx()
ax2.plot(df["日付"], df["前日比（%）"], marker="s", color="tab:red", label="前日比")
ax2.axhline(0, color="gray", linewidth=1)
ax2.set_ylabel("前日比（%）", color="tab:red")
ax2.tick_params(axis="y", labelcolor="tab:red")

lines1, labels1 = ax1.get_legend_handles_labels()
lines2, labels2 = ax2.get_legend_handles_labels()
ax1.legend(lines1 + lines2, labels1 + labels2, loc="upper left")

plt.title("日別売上と前日比の推移")
fig.autofmt_xdate()
plt.tight_layout()
plt.show()

売上が同じ990円だった8月21日は前日比が0％、1,188円へ増えた8月22日は20％になります。

グラフでは、売上の水準と増減率を混同しないことが重要です。売上が最も大きい日と、増加率が最も大きい日は必ずしも一致しません。折れ線グラフの基本設定は「Matplotlib 折れ線グラフ入門」で確認できます。

データ分析の流れでpct_change()を使う位置

pct_change()は、データを読み込んですぐ使うのではなく、日付と値を確認した後の「変化を計算する」段階で使用します。

1. CSVなどからDataFrameを読み込む
2. head()やdtypesで内容を確認する
3. to_datetime()で日付型へ変換する
4. sort_values()で日付順に並べる
5. pct_change()で増減率を計算する
6. rolling()や折れ線グラフで傾向を確認する

期間ごとの合計値を作る場合は、先にresample()で月次などへ集計してからpct_change()を使います。移動平均で短期変動を滑らかにする場合は「pandas rolling()の使い方」、期間集計は「pandas resample()の使い方」を参照してください。

まとめ

• pct_change()は前の行からの増減率を計算する
• 0.1は10％増加、-0.2は20％減少を表す
• 最初の行は比較元がないためNaNになる
• periods=2は2日前ではなく2行前との比較になる
• 前日比として使う前に、日付型・並び順・日付間隔を確認する
• 比較元が0の場合はinf、欠損値を含む比較はNaNになることがある
• 増減量はdiff()、比較元はshift()、平滑化はrolling()を使う

まずは「割合ならpct_change()」「量ならdiff()」と使い分けましょう。そのうえで、結果が前日比・前営業日比・前月比のどれに当たるかを確認することが大切です。

関連記事

• pandas diff()の使い方｜前の行との差分・前日からの増減を計算する方法
• pandas rolling()の使い方｜移動平均・window・NaNを初心者向けに解説
• pandas resample()の使い方｜日付データを月別・週別に集計する方法
• pandas 並び替え（sort）入門｜sort_values・sort_indexの違い
• pandas to_datetime()の使い方｜文字列の日付変換とNaT対処
• pandasで新しい列を追加する方法
• pandas fillna()の使い方｜欠損値を埋める方法
• Matplotlib 折れ線グラフ入門
• Pandas DataFrame入門｜作り方と基本操作

▲ ページトップへ戻る