pandas时间序列平滑首选rolling()做移动平均或ewm()做指数加权，需注意窗口对齐、频率对齐及min_periods等参数；不规则时间索引须先resample/asfreq；评估时应结合差分统计防过平滑。
用 rolling() 做简单移动平均平滑
最常用也最直观的平滑方式是移动平均，rolling() 是 Pandas 时间序列平滑的入口函数。它不直接做平滑，而是生成一个滚动窗口对象，后续接 mean()、median() 等聚合方法才完成计算。
关键点在于窗口大小和对齐方式：
-
window=7表示 7 个时间点（非 7 天），若索引是日期且不等距，需先用resample()或asfreq()对齐频率 -
center=True让结果对齐窗口中心，避免整体滞后；默认False时结果对齐窗口右端 - 若原始数据有缺失，
min_periods=1可让窗口在部分数据存在时仍计算（否则全 NaN）
示例：df['value_smooth'] = df['value'].rolling(window=5, center=True).mean()
用 ewm() 实现指数加权平滑
当希望近期数据权重更高、衰减更自然时，ewm() 比 rolling() 更合适。它不依赖固定窗口，而是按衰减系数控制历史影响范围。
核心参数是 alpha（0–1）或等价的 span（推荐用 span，更易理解）：
-
span=10约等于“近 10 个点贡献了约 90% 权重”，比alpha=0.2更直观 - 必须设
adjust=False才能获得标准指数加权（Pandas 默认True，会做归一化调整，导致初期值偏高） - 对不规则时间索引效果稳定，不需要先 resample
示例：df['value_ewm'] = df['value'].ewm(span=12, adjust=False).mean()
处理时间索引不规则导致的平滑失真
如果原始 DatetimeIndex 存在跳空（如只含交易日）、重复或微秒级误差，rolling() 会按行数而非真实时间跨度计算窗口，造成平滑结果与预期不符。
正确做法是先统一采样频率：
- 用
df.resample('D').mean()转为日频（自动填充 NaN），再平滑；若需保留原始粒度，可用asfreq()插入 NaN 占位 - 避免直接对
pd.to_datetime()后未排序的索引调用rolling()—— 必须确保df.index.is_monotonic_increasing == True - 若时间单位是秒/毫秒级，检查是否误用了
freq='D'导致大段 NaN；可用df.index.freq验证是否已推断出频率
平滑后如何评估效果？别只看图
视觉上平滑了不代表去噪合理——可能过度抹掉突变信号，或引入虚假周期。建议用差分统计辅助判断：
- 对比平滑前后的一阶差分绝对值中位数：
np.median(np.abs(np.diff(df['value'])))vsnp.median(np.abs(np.diff(df['value_smooth'])))，下降超 60% 可能过平滑 - 对高频成分敏感的场景（如检测异常脉冲），慎用大窗口
rolling()；可改用scipy.signal.savgol_filter()控制多项式阶数和窗口宽度 - Pandas 平滑不提供置信带，若需量化不确定性，得配合
statsmodels.tsa.seasonal.STL或手动 bootstrap
真正难的不是调哪个函数，而是确定「该平滑什么、不该平滑什么」——比如业务上真实的尖峰事件，平滑掉就不可逆了。
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！
