pandas比较相同字段，不同周期内的数据变化

在Pandas中，如果你想比较两个或多个数据框（DataFrame）在同一列上但在不同时间段内的数据变化，可以使用`merge`, `concat` 或者 `pivot_table`等函数结合条件操作来实现。例如：

1. **Merge**：你可以将不同时间周期的数据集按照某个共同标识（如日期）合并，然后计算每个时段特定字段的变化，比如`groupby`后求差分。

df1 = pd.read_csv('data1.csv', parse_dates=['date_column'])
df2 = pd.read_csv('data2.csv', parse_dates=['date_column'])

merged_df = pd.merge(df1, df2, on='date_column')
diff_series = merged_df.groupby('date_column')['common_field'].transform(lambda x: x.diff())

2. **Concat**：如果只是简单地想看每个时间点的前后差异，可以先按日期排序，再使用`shift`函数。

df_concat = pd.concat([df1, df2], ignore_index=True)
diff_data = df_concat.sort_values(by='date_column').groupby('date_column')['common_field'].apply(lambda x: x.shift(-1) - x)

3. **Pivot Table**：使用`pivot_table`可以根据日期创建透视表，然后计算每个时间点的差异。

pivot_diff = (pd.pivot_table(df1+df2, values='common_field', index='date_column', columns='source', aggfunc='first') - 
              pd.pivot_table(df1+df2, values='common_field', index='date_column', columns='source', aggfunc='last')).reset_index()

在上述代码中，`common_field`是你要比较的字段，`date_column`是时间列，`source`（如果有）是区分不同数据源的字段。完成后，`diff_series`, `diff_data`或`pivot_diff`变量会展示出数据的变化情况。