sliding_window_view 是 NumPy 1.20+ 最省事的移动平均方法，生成视图不复制数据，输出长度为 len(arr) - window_size + 1，需手动填充以保持原长，仅支持 1D 输入。
用 np.lib.stride_tricks.sliding_window_view 最省事
NumPy 1.20+ 自带的 sliding_window_view 是目前最直接、最安全的移动平均实现方式。它不复制数据，只生成视图，内存友好，且逻辑清晰。
常见错误是手动写循环或用 np.convolve 却没处理边界——结果长度不对、首尾值漂移、或漏掉对齐细节。
- 窗口大小为
window_size时，输出长度是len(arr) - window_size + 1，不是原长 - 若需保持原长度（如首尾补
nan或填充），得额外处理，sliding_window_view本身不负责填充 - 输入必须是 1D 数组；多维需先展平或指定轴，否则报
ValueError: axis 1 is out of bounds
import numpy as np arr = np.array([1, 2, 3, 4, 5, 6]) windows = np.lib.stride_tricks.sliding_window_view(arr, window_shape=3) ma = windows.mean(axis=-1) # → array([2., 3., 4., 5.])
不用新版本？改用 np.convolve 加归一化
老版本 NumPy（sliding_window_view，np.convolve 是最稳的替代方案，但容易因卷积模式和归一化出错。
典型现象：结果里出现超大数、负值、长度变成 len(arr) + window_size - 1——这是忘了用 mode='valid' 或没除窗口大小。
- 必须用
mode='valid'，否则默认'full'会补零导致首尾膨胀 - 卷积核要用
np.ones(window_size) / window_size，不能只用np.ones(window_size)，否则结果是窗口和而非均值 -
np.convolve对 float32 输入可能累积精度误差，建议统一转float64
arr = np.array([1, 2, 3, 4, 5, 6], dtype=float) kernel = np.ones(3) / 3 ma = np.convolve(arr, kernel, mode='valid') # → array([2., 3., 4., 5.])
为什么别手写 for 循环算移动平均
纯 Python 循环在 NumPy 场景下几乎总是错的选择：慢、易索引越界、难向量化后续操作。
让 macOS 自动化像说话一样简单 —— 用代码控制你的 Mac，无需学习 AppleScript 系统要求 macOS 14+ (Sonoma) Python 3.9+ 需要开启：辅助功能 + 屏幕录制权限
常见错误包括：循环从 0 到 len(arr) 导致 IndexError；用 sum() 而非 np.sum() 失去 dtype 控制；或忘记预分配结果数组导致频繁内存重分配。
- 哪怕数组只有 10⁴ 元素，纯 Python 循环也比
sliding_window_view慢 10–50 倍 - 如果后续还要做广播运算（比如减去移动平均），循环产出的 list 无法直接参与 NumPy 运算，还得转
np.array - 边界处理逻辑（如左对齐、右对齐、中心对齐）一旦混进循环，可读性和复用性立刻崩塌
NaN 和缺失值怎么处理
真实数据常含 np.nan，而默认的 .mean() 和 np.convolve 都会被污染——前者返回 nan，后者直接失效。
关键点在于：别指望函数自动跳过 NaN，必须显式指定行为。
- 用
windows.mean(axis=-1, skipna=True)会报错——skipna不支持于ndarray.mean，得换np.nanmean(windows, axis=-1) -
np.convolve完全不支持 NaN，必须提前用np.nan_to_num(arr, nan=0.0)或插值，否则结果全nan - 若需保留原始 NaN 位置（即某窗口内只要有一个 NaN，结果就设为 NaN），得用布尔掩码配合
np.where手动控制
windows = np.lib.stride_tricks.sliding_window_view(arr, 3) ma = np.nanmean(windows, axis=-1) # 自动忽略每个窗口内的 NaN
移动平均看着简单，真正卡住人的地方往往不在“怎么算”，而在“边界怎么对齐”“NaN 怎么透传”“结果长度要不要拉回原长”——这些细节不提前想清楚，后面调试花的时间远超写代码本身。
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！
