pandas.dataframe.rolling()的window参数指元素个数而非时间跨度，整数按行序取连续行，字符串如"5d"才按真实时间跨度；需设min_periods=1避免开头全nan，center=true会导致未来信息泄露；多指标用agg()而非链式调用。
直接用 pandas.DataFrame.rolling() 配合 mean() 就能算，但窗口对齐方式、缺失值处理和边界行为不注意，结果很容易出错。
rolling() 的 window 参数到底指什么
window 是滚动窗口的**元素个数**，不是时间跨度（除非你传的是字符串如 "5D"）。它按 DataFrame 或 Series 的行序（index 顺序）取连续 window 行参与计算，和 index 是否等距无关。
- 如果 index 是日期但有缺失（比如跳过周末），
window=5仍只取最近 5 行，不是“过去 5 天” - 想按真实时间跨度滚动，得用
window="5D"，此时必须确保 index 是datetime64类型且已排序 -
window支持整数、字符串（时间偏移）、offset对象，但混用容易报ValueError: window must be an integer
如何避免开头一堆 NaN
默认 min_periods=1，但 rolling().mean() 在窗口不满时仍返回 NaN——因为 pandas 默认要求至少 min_periods 个非空值才计算。多数人其实想要“能算就算”，比如前 3 个数就求平均。
- 显式设
min_periods=1：df["close"].rolling(window=10, min_periods=1).mean() - 注意：即使
min_periods=1，若窗口内全是 NaN，结果仍是 NaN - 如果原始数据有缺失，先用
fillna(method="ffill")或插值再 rolling，比依赖min_periods更可控
center=True 会改变对齐逻辑
默认 center=False，结果中第 i 行的值由第 i−window+1 到第 i 行计算得出，即“右对齐”。设 center=True 后，第 i 行对应窗口是 i−floor((window−1)/2) 到 i+floor(window/2)，中间对齐。
- 对股票价格这类时间序列，通常不用
center=True——它会让当前点依赖未来数据，回测会泄露信息 - 做平滑绘图时可能需要，但需意识到这是非因果操作
-
center=True会导致首尾各约window//2行为 NaN，比默认模式丢更多数据
性能和链式调用的坑
rolling() 返回 Rolling 对象，不是 DataFrame；链式调用多个聚合（如 .std().skew()）会重复扫描数据，慢且易错。
- 一次算多个指标用
.agg()：df["price"].rolling(20).agg(["mean", "std"]) - 避免
df.rolling(w).mean().rolling(w2).mean()这种嵌套——它是双重平滑，不是“20 日均线上再取 5 日均值” - 大宽表（列多）上对所有列统一 rolling，用
df.rolling(w).mean()比循环每列快得多
真正麻烦的不是调用函数，而是确认你的 window 单位是否匹配业务含义、min_periods 是否贴合数据稀疏程度，以及有没有在不知情时用了 center=True 引入未来信息。
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！
