用numpy.convolve实现移动平均需设weights=np.ones(w)/w、mode='valid'并确保输入为float；多维数组应改用sliding_window_view；pandas方案引入冗余依赖且nan处理不一致。
用 numpy.convolve 实现最简移动平均
直接调用 numpy.convolve 是最轻量、最可控的方式，尤其适合一维数组。它本质是做滑动窗口卷积，把窗口权重设为全 1 再归一化，就等价于移动平均。
常见错误是忽略 mode 参数导致输出长度不对：mode='valid' 输出比原数组短 window_size - 1，而 mode='same' 会补零对齐但首尾值不准。
- 推荐用
mode='valid'，避免边界污染；如需等长结果，后续再手动填充（比如用首尾值或线性插值） - 窗口权重必须是
np.ones(window_size) / window_size，不能漏除法——否则算出来是移动和，不是移动平均 - 输入数组要是
float类型，否则整数数组卷积后仍是整数，小数部分被截断
import numpy as np arr = np.array([1, 2, 3, 4, 5, 6], dtype=float) window = 3 weights = np.ones(window) / window ma = np.convolve(arr, weights, mode='valid') # → [2., 3., 4., 5.]
处理多维数组时别直接套用 convolve
numpy.convolve 只支持 1D，对二维数组（比如按行求每行的移动平均）会报错 ValueError: object too deep for desired array。
正确做法是用 numpy.lib.stride_tricks.sliding_window_view（NumPy ≥ 1.20），它能生成视图而非拷贝，内存友好且天然支持多维。
- 对二维数组
data每行做窗口=5 的移动平均：sliding_window_view(data, window_shape=5, axis=-1).mean(axis=-1) -
axis必须显式指定，否则默认在第 0 轴滑动，容易弄反方向 - 该函数返回的是只读视图，若后续要修改结果，得先
.copy()
from numpy.lib.stride_tricks import sliding_window_view data = np.array([[1,2,3,4,5], [10,20,30,40,50]]) ma_rows = sliding_window_view(data, 3, axis=-1).mean(axis=-1) # shape: (2, 3)
为什么不用 pandas.Series.rolling().mean()
虽然 pandas 写起来更短，但它引入了额外依赖、隐式类型转换（比如自动把 int64 转成 float64），而且底层仍调用 NumPy 运算——纯 NumPy 场景下没必要绕一圈。
更关键的是：当数组含 NaN 时，pandas 默认跳过缺失值（skipna=True），而原生 NumPy 的 convolve 或 sliding_window_view 遇到 NaN 会传染整个窗口结果为 NaN。行为不一致，容易埋坑。
- 如果数据确定无缺失值，NumPy 方案更快、更透明
- 如果需要
NaN容忍，改用scipy.ndimage.uniform_filter1d（支持mode='nearest'等边界处理） - 别在 NumPy 项目里为省几行代码加 pandas 依赖
性能和边界处理的实际取舍
移动平均本身计算简单，瓶颈通常在内存访问模式和边界填充策略。用 sliding_window_view 比手动切片快，但比 convolve 多一次 mean 计算；而 uniform_filter1d 在大数组上最快，但需要 scipy。
- 小数组（convolve，代码少、易调试
- 中大数组 + 需要等长输出：优先
sliding_window_view+ 手动补边（如np.pad） - 实时流式数据或严格边界要求（如信号处理）：选
scipy.ndimage.uniform_filter1d，它支持镜像/周期等填充模式
边界永远是最容易被忽略的部分——convolve 的 'valid' 虽安全，但丢数据；'same' 补零又扭曲趋势。真要生产用，得根据业务决定首尾怎么填，而不是依赖默认值。
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！
