rolling() 方法在 pandas 0.18.0 及以上版本才支持；若报 attributeerror，说明版本过低，需升级 pandas 至 0.18.0+。

rolling() 函数怎么写才不报错

直接调用 rolling() 却提示 AttributeError: 'Series' object has no attribute 'rolling'？那说明你用的是太老的 Pandas 版本（Series 或 DataFrame。检查类型用 type(df['col'])，别假设它自动是 Series。

常见错误是：对 list、numpy array 或 dict 直接调 .rolling(5) —— 它只认 Pandas 自己的数据结构。

• 必须先确保数据在 Series 或 DataFrame 中，比如 df['price'].rolling(5)
• 窗口大小必须是正整数或 pd.Timedelta（时间窗口），不能是浮点数或字符串
• 如果列含 NaN，默认不跳过；想跳过得加参数 min_periods=1，否则前几行全为 NaN

移动平均线计算结果全是 NaN

这不是 bug，是 rolling() 的默认行为：当窗口内有效值数量不足 min_periods（默认等于窗口大小）时，就填 NaN。比如 rolling(5).mean()，前 4 行必然为 NaN。

真实交易场景中，你通常希望从第 5 个点开始有值，但也要小心——如果原始数据开头就有大量 NaN，那整个滚动结果可能持续为空。

• 显式设 min_periods=1 可让首个非空值就出结果，但要注意这会改变指标意义（早期均值仅基于 1~2 个点）
• 时间序列中更稳妥的是用 closed='right'（默认），避免把未来数据卷进来
• 若用日期索引但未排序，rolling() 不保证按时间顺序计算，务必先 df.sort_index()

不同 window 类型对性能和结果的影响

rolling(5) 是固定长度窗口，快且直观；但遇到不等距时间数据（比如日频里跳过周末），就得换 rolling('5D') 这类时间偏移窗口——它按真实时间跨度取数，不是按行数。

后者慢得多，尤其数据量大时，因为每行都要向前查时间范围，还要求索引是 DatetimeIndex 且已排序。

• rolling(5)：纯位置索引，无依赖，最快
• rolling('5D')：需 df.index = pd.to_datetime(df.index)，且 df.sort_index() 必须做
• rolling('5B')（5 个工作日）比 '5D' 更慢，内部要调用工作日逻辑判断

apply() 里自定义函数为什么返回维度错乱

用 rolling(5).apply(lambda x: np.percentile(x, 95)) 看似没问题，但一旦 x 含 NaN，np.percentile 默认不忽略，结果直接是 NaN。更隐蔽的问题是：如果 lambda 返回标量，Pandas 能对齐；但如果返回数组（比如 lambda x: x[:-1]），就会崩。

自定义函数输出必须是单个数值，否则 rolling().apply() 会抛 ValueError: Must produce aggregated result。

• 优先用内置方法：.mean()、.std()、.quantile(0.95)，它们自动处理 NaN 和类型
• 真要用 apply，函数末尾加 return float(result) 强制标量化
• 调试时可临时加 print(len(x), x.tolist()) 查看每次传入的窗口内容

滚动计算最易被忽略的其实是索引对齐——尤其是 merge 或 concat 后没重置索引，rolling() 仍按原索引算，看着像结果偏移，其实只是位置没对上。