滚动中位数比均值更抗异常值，因其仅依赖排序后中间位置的值，单个极值不影响结果；而滚动均值易受噪声污染，适用于监控预处理、iot清洗等场景，但性能较慢且对nan敏感。
滚动中位数为什么比均值更抗异常值
因为中位数不依赖所有值的大小，只看排序后中间位置；单个极大/极小值不会拉偏结果。而 rolling().mean() 会直接被污染，尤其在传感器数据、日志响应时间这类含突发噪声的场景里，平滑后仍残留毛刺。
- 适用场景：监控指标突增检测前的预处理、IoT设备原始读数清洗、金融tick数据去噪
- 注意
rolling().median()默认不支持min_periods小于窗口长度（Pandas ≤ 2.0），若首几个点要补值，得手动用fillna() - 性能上比均值慢约3–5倍（内部需排序），窗口大（如
window=1000）时明显卡顿，建议先采样或用numpy.median手动分块
如何正确设置 rolling().median() 的 window 和 center 参数
窗口大小不是拍脑袋定的：太小去不掉噪声，太大抹平真实变化。常见错误是把 window 设成固定秒数却忽略采样频率不均——比如用 window=5 处理每秒10条的数据，实际覆盖0.5秒，但若某段数据丢包，时间跨度就乱了。
- 时间序列优先用时间偏移：
df['value'].rolling('2S').median()（自动对齐时间索引） - 等间隔数值序列用整数窗口：
df['value'].rolling(window=7).median()（对应7个采样点） -
center=True让输出与原位置对齐（中点对中点），但首尾会多出NaN；center=False（默认）则结果左对齐，首window-1个值为NaN - 若需首尾填充，别用
min_periods=1（它只是降低计算门槛，不解决缺失），应接.fillna(method='bfill').fillna(method='ffill')
rolling().median() 在 NaN 处的行为和修复方式
默认遇到 NaN 就中断计算：哪怕窗口内只有一个 NaN，整个窗口结果就是 NaN。这和 mean() 的 skipna=True 行为不同——median() 没有跳过选项。
Claw Code Suite (Python-Only Edition)
下载
仅使用 Python 将 Claw Code 虚拟化框架与 OpenClaw 集成，提供 184 种工具和 200 多条命令，用于安全分析和代码质量...
- 检查原始数据：先跑
df['value'].isna().sum()，确认是否真有缺失而非全零伪装 - 预填充再滚动：用插值（
df['value'].interpolate()）或前向填充（df['value'].ffill()），别直接删行（会破坏时间连续性） - 极端情况可改用
scipy.signal.medfilt，它默认忽略边界并支持奇数窗口，但不认 Pandas 时间索引，需转numpy.ndarray
替代方案：当 rolling().median() 不够用时该换什么
滚动中位数本质是局部排序，无法处理趋势漂移或周期性干扰。比如温度数据白天缓慢上升+夜间骤降，单纯中位数会滞后且压扁峰谷。
- 带权重的中位数没有现成实现，但可用
rolling().apply(lambda x: np.average(x, weights=np.ones(len(x))//len(x)))模拟——不推荐，慢且非真正加权中位数 - 更稳的选择是
statsmodels.tsa.seasonal.STL分解 + 中位数滤波残差，适合有明确周期的长序列 - 实时流场景避免
rolling，改用双队列维护滑动窗口，手写中位数更新（用两个堆），否则每次调用都重排太伤
滚动中位数不是万能平滑器，它只解决“局部离群点”，对系统性偏差、采样失真、时钟漂移这些底层问题，再怎么调 window 都没用。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
