滑动窗口计算不能仅用rolling()，因其默认仅支持数值列，遇nan、时间不连续或需分组场景会静默出错；时间窗口须指定on=参数且列类型为datetime64；分组窗口需先groupby再rolling；min_periods和closed参数影响结果逻辑与边界行为。
滑动窗口计算为什么不能直接用 rolling() 就完事？
因为 rolling() 默认只支持数值列，遇到含 NaN、时间不连续、或需要按业务逻辑分组再窗口的场景，会静默跳过或结果错位。比如你用 df['sales'].rolling(7).mean() 算周均值，但原始数据里缺了某天记录，Pandas 就按“行数”滑动而非“日历天数”滑动——实际得到的是前 7 行均值，不是前 7 天。
- 时间型窗口必须显式指定
on=参数并确保索引/列是datetime64类型 - 分组后窗口（如每个用户独立算 30 天活跃度）得先
groupby()再rolling()，顺序不能反 -
min_periods不设默认为窗口大小，意味着前n-1行全是NaN；设成 1 才能从第 1 行开始出值
rolling() 的三个关键参数怎么选？
window、min_periods、closed 这仨控制行为本质，不是可有可无的装饰项。
-
window可以是整数（按行数）、字符串（如'7D'，需配合on=时间列）、或Offset对象；传字符串时列必须是datetime64 -
min_periods=1是最常用安全值，避免开头大片NaN；但若业务要求“必须满 7 天才计算”，就得保持默认或设为 7 -
closed='right'（默认）表示窗口包含右边界（当前行），'left'则不含当前行；做“过去 N 期不含本期”的滞后指标时必须设closed='left'
示例：按日期滚动求用户最近 3 笔订单金额中位数（不含当前单）：
df.sort_values(['user_id', 'order_time']).groupby('user_id').apply(
lambda g: g.set_index('order_time')['amount'].rolling('3D', closed='left').median()
)
遇到 ValueError: invalid window option 怎么快速定位？
这个错误几乎都源于时间列类型不对或 rolling() 调用位置错。不是语法问题，是上下文缺失。
- 检查时间列 dtype：
df['date'].dtype必须是datetime64[ns]，不是object；用pd.to_datetime(df['date'])强转 - 如果用了
on='date'，该列不能是索引；反之，如果时间列已是 DatetimeIndex，就别再写on=，直接.rolling('7D') - 在
groupby().rolling()链式调用中，Pandas 1.3+ 才支持直接rolling，旧版本必须用apply+rolling，否则报此错
性能卡在 rolling().apply() 上怎么办？
自定义函数触发 Python 循环，10 万行数据可能慢 10 倍以上。优先用内置方法，实在要自定义再优化。
- 能用
.mean()、.sum()、.quantile()就别用.apply(lambda x: np.mean(x)) - 必须自定义时，加
raw=True（如rolling(5).apply(func, raw=True)），传 numpy array 而非 Series，减少开销 - 窗口大（如
rolling(365)）且数据量大时，考虑先用resample()降频，再 rolling，比原粒度计算快得多
容易被忽略的是：rolling 在 MultiIndex 上行为不稳定，尤其涉及时间 + 分组时，建议先 reset_index() 或明确用 groupby(..., group_keys=False) 控制输出结构。
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！
