pandas shift: So verschiebe ich Daten in Pandas richtig

pandas shift ist eines dieser Features, das ich ständig nutze, wenn ich mit DataFrames arbeite. Nicht, weil es fancy klingt. Sondern weil es genau das löst, was in echten Daten ständig vorkommt: Vorwert brauchen, Veränderung berechnen, Labels verschieben, Zeitreihen vorbereiten.

Wenn du verstehen willst, wie du Werte um eine Zeile, mehrere Zeilen oder entlang eines Datumsindex verschiebst, bist du hier richtig. Ich halte es einfach, praktisch und direkt.

Was macht pandas shift?

shift() verschiebt Werte in einem DataFrame oder einer Series um eine bestimmte Anzahl an Positionen nach oben oder unten. Die frei werdenden Stellen werden mit NaN gefüllt, außer du setzt einen anderen Wert über weitere Schritte.

Das ist extrem nützlich für:

• Vorher-Nachher-Vergleiche
• Lag-Features in Machine Learning
• Prozentuale Veränderungen
• Zeitreihenanalyse
• Labels und Targets verschieben

import pandas as pd

s = pd.Series([10, 20, 30, 40])
print(s.shift(1))

Ergebnis:

0     NaN
1    10.0
2    20.0
3    30.0
dtype: float64

Ich verschiebe hier alles um eine Zeile nach unten. Der erste Wert ist leer, weil davor nichts existiert.

pandas shift mit Series und DataFrame

shift() funktioniert auf Series und DataFrame. Bei einer Series verschiebst du einen einzelnen Werteblock. Bei einem DataFrame verschiebst du die Werte pro Spalte.

df = pd.DataFrame({
    'Umsatz': [100, 120, 150, 180]
})

df['Vorher'] = df['Umsatz'].shift(1)
print(df)

Das gibt dir den Vorwert in einer neuen Spalte. Genau so baue ich oft Vergleichsspalten.

Wichtige Parameter bei pandas shift

Ich nutze meistens diese Parameter:

• periods: Wie weit verschoben wird. Standard ist 1.
• freq: Verschiebung auf Basis von Zeitfrequenzen, nicht Positionen.
• axis: Verschieben entlang der Zeilen oder Spalten.
• fill_value: Ersatzwert für entstehende Lücken, wenn unterstützt.

1. periods

Das ist der wichtigste Parameter. Positive Werte verschieben nach unten, negative Werte nach oben.

s.shift(2)   # 2 Zeilen nach unten
s.shift(-1)  # 1 Zeile nach oben

Merke: Positiv = Vergangenheit, negativ = Zukunft. So denke ich immer darüber.

2. freq

Mit freq verschiebst du Datumsindizes, nicht die eigentlichen Werte. Das ist wichtig bei Zeitreihen.

Die offizielle Referenz dazu findest du in der Pandas-Dokumentation zu Series.shift und DataFrame.shift.

pandas shift für Zeitreihen

Hier wird shift() richtig stark. Wenn ich mit Verkaufsdaten, Messwerten oder Logs arbeite, brauche ich fast immer Vorperioden.

df = pd.DataFrame({
    'Datum': pd.date_range('2024-01-01', periods=4, freq='D'),
    'Wert': [100, 110, 105, 130]
})

df['Vorheriger_Wert'] = df['Wert'].shift(1)
df['Veränderung'] = df['Wert'] - df['Vorheriger_Wert']
print(df)

Das ist ein Standard-Use-Case. Ich ziehe den Vorwert rein und rechne die Differenz. Einfach. Schnell. Wirksam.

pandas shift mit Gruppen

Wenn du Daten nach Kategorie, Kunde oder Produkt verschieben willst, brauchst du oft groupby() plus shift(). Das ist ein sehr häufiger Fall.

df = pd.DataFrame({
    'Gruppe': ['A', 'A', 'B', 'B'],
    'Wert': [10, 15, 20, 25]
})

df['Vorher_innerhalb_Gruppe'] = df.groupby('Gruppe')['Wert'].shift(1)
print(df)

Damit verschiebst du Werte nur innerhalb jeder Gruppe. Das verhindert falsche Vergleiche zwischen Gruppen.

Typische Anwendungsfälle für pandas shift

Ich nutze shift() in diesen Fällen am häufigsten:

• Lag-Features bauen: Vorwerte als Eingabe für Modelle
• Wachstum berechnen: aktueller Wert minus Vorwert
• Signal-Erkennung: Übergänge zwischen Zuständen prüfen
• Target-Leakage vermeiden: Zukunftswerte sauber vom Training trennen
• Vergleich pro Zeile: letzte Zeile gegen aktuelle Zeile testen

Häufige Fehler bei pandas shift

Ich sehe immer wieder dieselben Fehler. Die sind leicht zu vermeiden, wenn du sie kennst.

• NaN am Anfang oder Ende ignorieren: Nach dem Shift fehlen Werte. Das ist normal.
• Falsche Richtung: Positiv verschiebt nach unten, negativ nach oben.
• Gruppen nicht beachten: Ohne groupby() verschiebst du über falsche Grenzen hinweg.
• Index und Werte verwechseln: freq verschiebt den Index, nicht die Daten selbst.

So nutze ich pandas shift in der Praxis

Wenn ich eine schnelle Analyse baue, gehe ich fast immer nach diesem Muster vor:

1. Ich definiere die Spalte, die ich vergleichen will.
2. Ich verschiebe sie mit shift(1) für den Vorwert.
3. Ich rechne die Differenz oder Quote aus.
4. Ich prüfe die NaN-Werte am Rand.
5. Ich entferne oder ersetze sie nur, wenn es fachlich Sinn ergibt.

Wenn du z. B. Prozentveränderungen brauchst, kannst du das so lösen:

df['Change_%'] = (df['Wert'] / df['Wert'].shift(1)) - 1

Das ist besser als komplizierte Schleifen. Kein Overengineering. Nur Ergebnis.

pandas shift vs. andere Methoden

Ich nutze shift() immer dann, wenn ich Werte relativ zur Position oder Reihenfolge vergleichen will. Für echte Zeitverschiebung auf Index-Ebene ist freq relevant. Für reine Berechnungen mit Vorwerten ist shift() die richtige Wahl.

Wenn du tiefer in Pandas einsteigen willst, ist die offizielle Pandas-Dokumentation die beste Referenz.

Mini-Checkliste für den Einsatz von pandas shift

• Will ich Werte oder den Index verschieben?
• Brauche ich Vorwerte oder Zukunftswerte?
• Muss ich nach Gruppen trennen?
• Sind die entstehenden NaN-Werte fachlich okay?
• Ist die Reihenfolge der Daten korrekt sortiert?

Wenn diese fünf Punkte klar sind, mache ich mit shift() kaum Fehler.

Fazit: pandas shift ist klein, aber extrem stark

pandas shift ist kein spektakuläres Feature. Es ist einfach nützlich. Und genau deshalb ist es so wichtig. Ich nutze es für Vorwerte, Zeitreihen, Gruppenvergleiche und saubere Feature-Erstellung. Wenn du Daten analysierst, wirst du shift() ständig brauchen.

Mein Rat: Lerne die Grundidee einmal sauber. Danach sparst du dir bei fast jeder Analyse Zeit und vermeidest unnötige Fehler. pandas shift ist eines der Tools, das kleine Arbeitsschritte in schnelle, saubere Analysen verwandelt.