NumPy无内置移动平均函数，推荐用np.convolve实现标准移动平均（等权核+mode='valid'），或用np.cumsum前缀和法达O(n)复杂度；二者均远快于Python循环，且需注意NaN处理与边界效应。
NumPy 本身没有内置的移动平均函数，但用 np.convolve 或切片 + np.cumsum 能高效实现，且比纯 Python 循环快一个数量级以上。
用 np.convolve 实现标准移动平均（推荐）
这是最直观、最常用的方式，本质是用窗口向量做一维卷积：
- 窗口向量是
np.ones(window_size) / window_size，即等权平均核 - 使用
mode='valid'可避免边界补零导致的长度膨胀，输出长度为len(arr) - window_size + 1 - 若需保持原数组长度，改用
mode='same'，但两端值会因补零失真
import numpy as np arr = np.array([1, 2, 3, 4, 5, 6]) window = 3 ma = np.convolve(arr, np.ones(window)/window, mode='valid') # → array([2., 3., 4., 5.])
用 np.cumsum 实现 O(n) 移动平均（大数据量首选）
当窗口很大或数组极长时，np.convolve 时间复杂度为 O(n×w)，而前缀和法是严格 O(n)，无重复加法：
- 先算前缀和：
cumsum = np.cumsum(arr) - 再错位相减：
ma = (cumsum[window-1:] - np.concatenate(([0], cumsum[:-window])))/window - 注意：
cumsum[:-window]比cumsum[window-1:]少一位，需补一个0对齐
cumsum = np.cumsum(arr) ma = (cumsum[window-1:] - np.concatenate(([0], cumsum[:-window])))/window # → array([2., 3., 4., 5.])
处理 NaN 和边界对齐问题
真实数据常含缺失值，np.convolve 和 np.cumsum 默认不跳过 NaN，会导致整段结果为 NaN：
macOS UI 自动化技能包 —— 用 Python 控制你的 Mac
下载
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
- 先用
np.nan_to_num(arr, nan=0.0)粗暴填充（仅适用于可接受零替代的场景） - 更稳妥的做法：用
scipy.ndimage.uniform_filter1d，它原生支持mode='constant'和cval=np.nan，并能跳过 NaN（需设origin=0和适当mode） - 若必须纯 NumPy，得手动掩码：计算每个窗口内非 NaN 元素个数与和，再做条件除法——这已脱离“一行解决”范畴，建议直接切到
pandas.Series.rolling().mean()
为什么不用 np.mean 配合循环切片？
看似简单，实则性能灾难：
- 每次
arr[i:i+window]触发内存拷贝（非视图），尤其大数组时开销显著 - Python 层循环无法被 NumPy 向量化加速，速度比
np.convolve慢 10–100 倍 - 边界处理易出错：比如
for i in range(len(arr)-window+1)和range(len(arr))混用导致索引越界或漏算
真正容易被忽略的是：移动平均本质是线性滤波，np.convolve 的 mode 参数决定了你是否在隐式假设边界外全是 0 —— 这在金融或传感器数据中往往不合理，但 NumPy 不提供反射/周期等边界模式，此时就得自己 pad 或换工具。
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！
