滑动窗口需要缓冲区是因为pandas原生rolling()不支持向后偏移，而实际场景常需中心对齐的前后窗口（如±2行）；可用shift()拼接多偏移列或numpy的sliding_window_view构造内存友好的真缓冲区。
滑动窗口为什么需要缓冲区？
直接调用 df.rolling(window=5) 会做严格对齐的窗口计算，但实际场景中常需要「当前行往前看 N 行 + 往后看 M 行」——比如用前后各2行数据拟合局部趋势，或计算中心点的加权平均。Pandas 原生 rolling() 不支持向后偏移，必须靠手动构造索引或重采样绕过。
用 shift() 拼接前后窗口数据
最直接可控的方式：把原始列按不同偏移量复制多份，横向拼成宽表，再逐行处理。适合窗口不大、内存够用的场景。
-
df['val_shift_-2'] = df['val'].shift(-2)表示取下两行的值（即“往后看”） -
df['val_shift_1'] = df['val'].shift(1)表示取上一行的值（即“往前看”） - 用
pd.concat([df['val'].shift(i) for i in range(-2, 3)], axis=1)可一次性生成中心±2的5列窗口 - 注意
shift()会产生NaN，后续计算需用skipna=False或提前dropna()
用 numpy.lib.stride_tricks.sliding_window_view() 构造真缓冲区
这是 NumPy 1.20+ 提供的底层滑动视图，不复制数据，内存友好，且天然支持任意前后跨度（只要把输入数组 pad 一下）。
- 先用
np.pad(df['val'].values, (2, 2), mode='reflect')在首尾各补2个元素（避免越界） - 再调用
sliding_window_view(padded_arr, window_shape=5)得到 shape=(n, 5) 的视图 - 每一行就是以原位置为中心、前后各2个元素的缓冲区；可直接传给
np.polyfit()或自定义函数 - ⚠️ 注意：返回的是只读视图，不能直接赋值；若需修改，得
.copy()
性能与边界处理的关键细节
缓冲区分析最容易出错的地方不在逻辑，而在索引对齐和缺失值传播。
- 用
shift()拼接时，不同列的NaN位置不同，df.apply(lambda x: np.nanmean(x), axis=1)会自动跳过每行内的NaN，但np.mean()默认不跳，得显式写np.nanmean() -
sliding_window_view()返回的窗口数比原数组少pad_width × 2，需用df.index[2:-2]对齐结果索引 - 如果原始数据有时间索引且不等距，
shift()按位置移，不是按时间移——此时应先用asfreq()或reindex()插值对齐
缓冲区不是加个参数就能跑通的事，核心是明确你到底要「按位置滑动」还是「按时间滑动」，再选工具。前者用 sliding_window_view 更稳，后者得先规整索引再用 rolling() 配合 offset。
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！
