rolling 算出全 NaN 主因是索引非 DatetimeIndex 或未排序；时间窗口（如 '7D'）要求索引为排序后的 datetime64[ns]，否则无法对齐；非时间窗口（如 5）仅按行数滑动，不依赖索引。

rolling 为什么算出来全是 NaN？检查 index 和 freq 是否对齐

常见错误是直接对无序或非时间索引的 DataFrame 调用 rolling(window='7D')，结果全为 NaN。Pandas 的时间窗口（如 '7D'）要求索引是 DatetimeIndex 且已排序，否则无法按时间对齐滑动。

• 先确认索引类型：df.index.dtype 应为 datetime64[ns]
• 若原始数据是列而非索引，需先设为索引：df.set_index('date_col', inplace=True)
• 务必排序：df = df.sort_index()，否则 rolling 按原始行序滑动，不是按时间滑动
• 非时间窗口（如 rolling(5)）只认行数，不依赖 index，适合数值序列或已按序排列的指标

expanding 和 rolling 的本质区别：累积 vs 固定长度

expanding() 是从第一行开始累积计算，窗口长度逐行增长；rolling(window=3) 始终只看最近 3 行（或 3 个时间单位）。二者语义不同，不能混用替代。

• df['col'].expanding().mean() 第 1 行 = 第 1 行值，第 2 行 = 前 2 行均值，第 n 行 = 前 n 行均值
• df['col'].rolling(3).mean() 前 2 行固定返回 NaN（因不足 3 个），第 3 行起才开始有值
• 想实现“至少 2 个点就出结果”，可加 min_periods=2 参数：rolling(3, min_periods=2)
• expanding 不支持时间偏移（如 '7D'），只接受整数或 None

groupby 后做 rolling：必须用 apply + lambda，不能链式调用

对分组数据做滑动计算时，df.groupby('category').rolling(5)['value'].mean() 看似合理，但实际会报 KeyError 或返回错乱结构——因为 rolling 在 groupby 后不直接支持列选择语法。

macOS UI 自动化技能包 —— 用 Python 控制你的 Mac

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

下载

• 正确写法：df.groupby('category')['value'].apply(lambda x: x.rolling(5).mean())
• 若需保留原始索引（避免多级索引），加 reset_index(name='rolling_mean')
• 性能注意：apply 是 Python 循环，大数据量时比向量化慢；若分组多、每组小，影响不大；若每组很大，考虑先 sort_values 再整体 rolling 加布尔掩码过滤
• 时间窗口分组滚动（如每组内按天滚动 7 天）更复杂，需确保组内 index 是 DatetimeIndex 且已排序

rolling 计算后如何对齐结果？center 参数和 closed 选项常被忽略

默认 rolling(window=3) 的结果中，第 3 行对应的是第 1–3 行的计算值，即右对齐（closed='right'）。但有时你需要中心对齐（比如画图时希望均值标在中间时间点），或左闭右开等语义。

• 中心对齐：rolling(3, center=True) → 窗口为 [i-1, i, i+1]，结果放在第 i 行，前/后各缺 1 行为 NaN
• 控制闭合方式：rolling(3, closed='left') 表示取 [i-3, i-2, i-1]，结果放第 i 行；closed='both'（默认）取 [i-2, i-1, i]
• 时间窗口下 closed 更关键，例如 rolling('7D', closed='left') 不包含当前时刻，适合避免数据泄露场景
• 所有这些参数不影响计算逻辑，只改变“哪几行参与计算”以及“结果落在哪一行”

实际用的时候，最易出问题的是 index 类型和排序状态，其次是对 closed 和 center 的语义误读——它们不改数值，只改对齐方式，但一旦画图或拼接就立刻暴露。

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！