本文介绍如何高效地为 DataFrame 添加一列，其值为前 N 行（如 3 行）的滑动窗口列表，避免低效的 Python 循环和 apply 的类型限制问题。
本文介绍如何高效地为 dataframe 添加一列，其值为前 n 行（如 3 行）的滑动窗口列表，避免低效的 python 循环和 `apply` 的类型限制问题。
在 Pandas 中，尝试用 rolling().apply() 返回列表（如 lambda x: list(x)）会失败，根本原因在于：rolling.apply() 要求聚合函数必须返回标量数值（如 int, float），而 list 是非标量对象，触发 TypeError: must be real number, not list。这不是 apply 的使用错误，而是滚动窗口聚合的设计约束——它面向数值计算（均值、标准差等），不支持构造复合对象。
因此，正确解法是绕过 rolling().apply()，改用底层向量化滑动窗口工具。自 NumPy 1.20 起，numpy.lib.stride_tricks.sliding_window_view 提供了零拷贝、高性能的滑动窗口视图，完美适配此类需求。
以下为完整实现步骤：
import pandas as pd
import numpy as np
# 构造示例数据
np.random.seed(150)
df = pd.DataFrame(np.random.randint(0, 10, size=(10, 2)), columns=['A', 'B'])
# ✅ 推荐方案：使用 sliding_window_view（高效、简洁、向量化）
from numpy.lib.stride_tricks import sliding_window_view as swv
N = 3
windowed_arrays = swv(df['B'], window_shape=N) # 形状为 (len-2, 3) 的 2D 数组
df['C'] = pd.Series([row.tolist() for row in windowed_arrays],
index=df.index[N-1:]) # 对齐索引：前 N-1 行为 NaN
输出结果与预期一致：
A B C 0 4 9 NaN 1 0 2 NaN 2 4 5 [9, 2, 5] 3 7 9 [2, 5, 9] 4 8 3 [5, 9, 3] 5 8 1 [9, 3, 1] 6 1 4 [3, 1, 4] 7 4 1 [1, 4, 1] 8 1 9 [4, 1, 9] 9 3 7 [1, 9, 7]
⚠️ 注意事项：
-
sliding_window_view返回的是只读视图，.tolist()会创建新列表，确保结果可修改； - 新列
C的前N-1行自动为NaN（而非None），符合 Pandas 缺失值规范，便于后续dropna()或fillna()处理； - 若需兼容旧版 NumPy（df['B'].to_numpy()[i:i+N] 配合列表推导，但性能显著下降；
- 切勿使用
df.apply(lambda x: ..., axis=1)实现滑动逻辑——它逐行调用，复杂度 O(n²)，大数据下极慢。
总结：当目标是生成滑动窗口列表时，优先选择 sliding_window_view + pd.Series 构造，兼顾性能、可读性与健壮性；放弃 rolling().apply() 的尝试，因其设计本就不支持非标量返回。
