本文介绍如何利用 NumPy 的 sliding_window_view 替代低效的列表推导式或受限的 rolling().apply()，为 DataFrame 快速添加由滑动窗口聚合生成的列表型新列，兼顾性能与可读性。

本文介绍如何利用 numpy 的 `sliding_window_view` 替代低效的列表推导式或受限的 `rolling().apply()`，为 dataframe 快速添加由滑动窗口聚合生成的列表型新列，兼顾性能与可读性。

在 Pandas 中，当需要基于滑动窗口（如每 3 行）将某列的值组合成 Python 列表并存入新列时，常见的误区是试图用 rolling().apply() 直接返回列表——但 rolling().apply() 要求聚合结果为标量（如 float、int），遇到 list 会抛出 TypeError: must be real number, not list 错误。而原始的列表推导式虽逻辑清晰，却因显式循环和频繁调用 .iloc 导致时间复杂度高，数据量大时性能急剧下降。

更优解是借助 NumPy 1.20+ 引入的 sliding_window_view，它以零拷贝方式高效生成滑动窗口视图，再转换为列表即可：

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'])

# 使用 sliding_window_view 生成长度为 3 的滑动窗口列表
from numpy.lib.stride_tricks import sliding_window_view as swv

window_size = 3
windows = swv(df['B'], window_size)  # shape: (len(df)-window_size+1, window_size)
df['C'] = pd.Series(windows.tolist(), index=df.index[window_size-1:])

执行后，df['C'] 的前 window_size - 1 行自动填充为 NaN（Pandas 默认对齐行为），其余行对应每个窗口的列表，例如第 2 行（索引 2）为 [df.loc[0,'B'], df.loc[1,'B'], df.loc[2,'B']]。

✅ 优势总结：

• 高性能：sliding_window_view 基于内存视图，避免逐行切片，时间复杂度接近 O(n)；
• 简洁安全：无需手动处理边界条件（如 i >= 2），索引对齐由 pd.Series 自动完成；
• 类型友好：直接支持任意 Python 对象（如 list, dict）作为列值，无 rolling().apply() 的标量限制。

⚠️ 注意事项：

• 需确保 NumPy ≥ 1.20；旧版本可改用 np.lib.stride_tricks.as_strided（但需谨慎处理内存安全）；
• 若需自定义窗口函数（如去重、排序后再转列表），可在 swv(...).tolist() 后链式处理，例如：[sorted(set(win)) for win in windows]；
• 对超大数据集，注意 windows.tolist() 会将所有窗口加载至内存，若仅需惰性计算，建议封装为生成器或结合 dask 处理。

该方法已成为 Pandas 生态中处理“滑动列表列”任务的标准实践，兼顾工程效率与代码可维护性。