为了以通用的方式计算年度和季度比率，我设计了一个函数，该函数将开始日期、结束日期以及区分年和季度的模式作为频率类型作为参数。（）以提取目标数据行。对于该提取的结果，我们将在下一行中合并您的公式。此外，在从开始日期确定比率时，我们需要在时间上往回走，所以我们减去“366天”或“90天”作为频率关键字，我还没有验证这个值在所有情况下都能得到正确的结果，这是由于市场假期，如年底和新年假期，设置更大的天数可能会解决这个问题。

import pandas as pd
import yfinance as yf

df = yf.download("^GSPC", start="2016-01-01", end="2022-01-01")
df.index = pd.to_datetime(df.index)
df.index = df.index.tz_localize(None)

def rating(data, startdate, enddate, freq):
    offset = '366 days' if freq == 'Y' else '90 days'
    #dff = df.loc[(df.index >= startdate) & (df.index <= enddate)]
    dff = df.loc[(df.index >= pd.Timestamp(startdate) - pd.Timedelta(offset)) & (df.index <= pd.Timestamp(enddate))]
    dfy = dff.groupby(pd.Grouper(level='Date', freq=freq)).tail(1)
    ratio = (dfy['Close'] / dfy['Close'].shift()-1)*100
    return ratio
    
period_rating = rating(df, '2017-01-01', '2019-12-31', freq='Y')
print(period_rating)

Date
2016-12-30          NaN
2017-12-29    19.419966
2018-12-31    -6.237260
2019-12-31    28.878070
Name: Close, dtype: float64

period_rating = rating(df, '2017-01-01', '2019-12-31', freq='Q')
print(period_rating)

Date
2016-12-30          NaN
2017-03-31     5.533689
2017-06-30     2.568647
2017-09-29     3.959305
2017-12-29     6.122586
2018-03-29    -1.224561
2018-06-29     2.934639
2018-09-28     7.195851
2018-12-31   -13.971609
2019-03-29    13.066190
2019-06-28     3.787754
2019-09-30     1.189083
2019-12-31     8.534170
Name: Close, dtype: float64

如果df包含DatetimeIndex，则可以使用.loc访问器，并将日期格式化为字符串，以检索所需的值。例如，df.loc['2022-12-31'].Close应返回Close值on 2022-12-31。
就效率而言，虽然可以使用移位操作，但实际上并不需要在 Dataframe 中分配更多内存--可以使用循环：

annual_returns = []
end_dates = []
for year in range(1991,2022):
    end_date = f"{year}-12-31"
    start_date = f"{year-1}-12-31"
    end_dates.append(end_date)

    end_price, start_price = df.loc[end_date].Close, df.loc[start_date].Close
    annual_returns.append((end_price / start_price - 1)*100)

然后您可以从列表中构建最终的 Dataframe ：

df_final = pd.DataFrame(
    data=annual_returns,
    index=pd.DatetimeIndex(end_dates, name='Date'),
    columns=['Annual Return (%)']
)

使用yfinance中的一些示例数据，我得到以下结果：

>>> df_final
            Annual Return (%)
Date
2008-12-31         -55.508475
2009-12-31         101.521206
2010-12-31          -4.195294
2013-12-31          58.431109
2014-12-31          -5.965609
2015-12-31          44.559938
2019-12-31          29.104585
2020-12-31          31.028712
2021-12-31          65.170561