rolling()默认右对齐，前N−1行不足时返回NaN；需中心对齐用center=True；时间序列优先用rolling('5D')；min_periods=1可首行出值但掩盖稀疏问题；apply()须返回标量，推荐lambda x: x.quantile(0.5)；skipna默认True，min_periods控制有效值下限；多列直接df.rolling(5).mean()自动广播。
用 rolling() 计算移动平均前，先确认窗口对齐方式
移动平均不是简单取前 N 个数求均值——rolling() 默认是“右对齐”窗口，即当前行参与计算时，只包含它和前面的 N−1 行。如果你要的是“中心对齐”（比如做平滑曲线），得显式加 center=True 参数。
常见错误现象：df['price'].rolling(5).mean() 返回前 4 行全是 NaN，不是 bug，是设计如此；有人误以为数据丢了，其实是窗口没凑够 5 个值。
- 时间序列场景下，若索引是
DatetimeIndex，建议优先用rolling('5D')这类时间偏移写法，比固定整数窗口更鲁棒 -
min_periods参数很关键：设为1可让首行就出值（用单个数均值），但会掩盖数据稀疏问题 - 整数窗口在非等距索引上可能产生意外截断，比如跳过某天缺失后，实际参与计算的行数少于预期
rolling().apply() 自定义函数要注意返回标量
想算中位数、分位数或带条件的均值？可以传函数进去，但 rolling().apply() 要求函数必须返回单个标量值，否则报错 ValueError: Must produce aggregated value。
典型翻车点：用 np.mean(x) 没问题，但写成 np.array(x).mean() 或忘了 axis=0，在某些 pandas 版本里可能返回 array 而非 float。
- 推荐始终用
lambda x: x.quantile(0.5)而非np.median，后者不保证输入是 1D Series - 自定义函数里避免调用
len(x)判空——x是Series，应改用x.notna().sum()统计有效值 - 性能敏感时别在里面写循环，
rolling().apply()本身不向量化，比原生.mean()慢 10 倍以上
处理含 NaN 的列时，rolling 默认跳过它们
pandas 的 rolling 在计算时默认忽略 NaN（等价于 skipna=True），这跟 NumPy 的 np.nanmean 一致，但容易引发误解：比如窗口内有 3 个数 + 2 个 NaN，结果是那 3 个数的均值，不是 NaN。
如果你需要“任一 NaN 就让整个窗口结果为 NaN”，得手动关掉跳过行为：
df['close'].rolling(5, min_periods=5).mean() # min_periods=5 强制要求满窗才计算
-
min_periods和skipna是两回事：skipna控制 NaN 是否参与计算，min_periods控制至少几个非空值才输出结果 - 混合类型列（如字符串混数字）会导致
rolling().mean()直接失败，务必提前用pd.to_numeric(..., errors='coerce')清洗 - 布尔列也能 rolling，但
.mean()会转成 0/1 比例，不是 True 数量——这点常被忽略
多列同时滚动计算，别用循环套 rolling
对 DataFrame 多列分别算移动平均，直接 df.rolling(5).mean() 就行，pandas 自动广播到所有数值列。手写 for col in df.columns: 套 rolling 不仅慢，还容易漏掉类型判断。
但注意：如果某些列是非数值型（比如时间戳或分类变量），.mean() 会静默跳过它们，返回时只保留能算的列——看起来像“丢列”，其实是正常行为。
- 想明确控制哪些列参与，用
df[['col_a', 'col_b']].rolling(5).mean()显式选取 - 结果对齐靠索引，不是靠原始顺序；如果中间重排过索引，滚动结果可能错位，先检查
df.index.is_monotonic_increasing - 内存方面，
rolling是惰性计算，但链式调用如.rolling().mean().diff()会触发两次遍历，大表建议拆成中间变量
滚动窗口看着简单，真正踩坑多在边界对齐、NaN 处理和多列广播逻辑上——这些地方不打印中间结果，很难一眼看出哪步歪了。
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！
