正确计算移动平均线需确保时间索引对齐、窗口类型匹配、nan妥善处理：默认rolling(window=20)右对齐，适用于收盘价；非等距数据先asfreq('d').ffill()；ema用ewm(span=20)；绘图前必须dropna或统一索引长度，多均线叠加需用mplfinance.addplot且series不能含nan。
直接回答：用 pandas 计算移动平均线，用 matplotlib 或 plotly 可视化，核心是确保时间索引对齐、窗口类型选对、NaN 处理得当。
如何用 pandas.rolling() 正确计算不同周期的移动平均线
关键不是调用函数，而是理解窗口行为和对齐方式。默认 rolling(window=20) 是右对齐（即当前行包含自身及前19个值），这对收盘价序列是合理选择；但若数据有缺失或非等距时间点，需先用 resample() 或 asfreq() 对齐。
-
df['close'].rolling(window=20).mean()计算简单移动平均（SMA），结果在第20个有效数据点才开始有值 - 想用指数加权平均（EMA）？改用
df['close'].ewm(span=20, adjust=False).mean()，它对近期价格赋予更高权重，更敏感 - 遇到开盘跳空或停牌日？先执行
df = df.sort_index().ffill()避免因 NaN 导致滚动窗口中断 - 注意：
window是整数个观测值，不是天数——如果数据含周末/节假日，建议先用df.asfreq('D').ffill()转为日频再计算
为什么画出来的均线总“滞后”或“断开”，常见绘图陷阱有哪些
最常被忽略的是 NaN 过滤和坐标轴范围。matplotlib 默认跳过 NaN，但若均线列与价格列长度不一致（比如未对齐索引），就会出现错位或局部消失。
- 务必检查：
len(df['close']) == len(df['ma_20'])，不等说明索引没对齐或用了min_periods参数导致提前出值 - 绘图时别直接传
plt.plot(df.index, df['ma_20'])，要先df.dropna(subset=['ma_20'])或用df[['close', 'ma_20']].plot()让 pandas 自动对齐 - 如果用
plotly.express.line()，记得加参数line_shape='linear'，否则默认样条插值会让均线在缺口处异常弯曲 - 别用
plt.show()后再调plt.legend()——顺序反了图例就不显示
如何把多条均线（5日、20日、60日）叠加到同一张K线图上
K线本身需用 mplfinance 或 plotly.graph_objects.Candlestick 绘制，而均线是普通折线，二者坐标系统必须一致。最稳妥做法是：先用 mplfinance.plot() 生成基础K线，再用 addplot 注入均线序列。
- 安装：
pip install mplfinance（注意不是matplotlib-finance，后者已废弃） - 准备均线数据：确保它们和原始
df索引完全一致，且是pd.Series类型，不能是 DataFrame 单列 - 调用示例：
mpf.plot(df, type='candle', addplot=[mpf.make_addplot(df['ma_5']), mpf.make_addplot(df['ma_20'])]) - 警告：
addplot不接受带NaN的 Series——必须提前fillna(method='ffill')或截断到共同非空区间
真正麻烦的不是代码几行，而是数据质量：复权因子没处理、分钟级数据混入夜盘、港股通标的在A股休市日无记录……这些都会让均线在关键位置突然偏移。动手前先 df.index.is_monotonic_increasing and df.index.is_unique 检查两次。
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！
