在python中计算移动平均值最常用的方法是使用pandas库的rolling函数。1. 导入pandas和numpy；2. 创建一个series或dataframe；3. 使用rolling函数并指定window参数来定义窗口大小；4. 调用mean()方法计算移动平均值；5. 可通过设置min_periods参数处理窗口数据不足的情况。rolling函数还可用于sum、std、median等多种聚合操作，甚至支持自定义函数。选择窗口大小需权衡平滑度与响应速度，并结合数据频率和分析目标。此外，pandas还支持指数移动平均（ema），但使用的是ewm()方法而非rolling。
在Python里计算移动平均值，最常用也最方便的工具就是Pandas库里的rolling函数。说白了，它就是给你一个数据序列，然后你告诉它一个“窗口”大小，它就会在这个窗口里滑动，计算出每个窗口内的平均值。这功能在处理时间序列数据时简直是利器，比如你想平滑股价波动，或者看看某个指标的长期趋势，它都能帮上大忙。
解决方案
要用Pandas的rolling函数计算移动平均值，步骤其实挺直观的。首先，你需要有Pandas库，然后创建一个Series或者DataFrame。
import pandas as pd
import numpy as np
# 创建一个示例Series
# 假设这是一段时间内的某种观测值，比如每日销售额
data = pd.Series([10, 12, 15, 13, 18, 20, 22, 19, 25, 23, 28, 30])
# 计算5日的简单移动平均（SMA）
# window=5 表示窗口大小是5个数据点
# min_periods=1 表示即使数据不足5个，只要有1个数据点就开始计算（通常用于序列开头）
# 如果不设置min_periods，默认是window大小，那样前面几个值会是NaN
moving_avg = data.rolling(window=5, min_periods=1).mean()
print("原始数据:\n", data)
print("\n5日移动平均:\n", moving_avg)
# 如果是DataFrame，你可以对特定列进行操作
df = pd.DataFrame({
'Date': pd.to_datetime(['2023-01-01', '2023-01-02', '2023-01-03', '2023-01-04', '2023-01-05',
'2023-01-06', '2023-01-07', '2023-01-08', '2023-01-09', '2023-01-10']),
'Price': [100, 102, 101, 105, 103, 106, 108, 107, 109, 110]
})
# 计算'Price'列的3日移动平均
df['3_day_moving_avg'] = df['Price'].rolling(window=3, min_periods=1).mean()
print("\n原始DataFrame:\n", df)
print("\n带有3日移动平均的DataFrame:\n", df[['Date', 'Price', '3_day_moving_avg']])
# 你还可以通过设置center=True让窗口居中，但这会导致结果向两端延伸，需要注意NaN的处理
# df['3_day_moving_avg_centered'] = df['Price'].rolling(window=3, min_periods=1, center=True).mean()
# print("\n居中3日移动平均:\n", df[['Date', 'Price', '3_day_moving_avg_centered']])这里头，window参数决定了你希望计算多少个数据点的平均值。min_periods则是个挺实用的参数，它告诉你，即使窗口里数据不够window设定的个数，只要达到min_periods的个数，就给我算。这对于序列开头的数据特别有用，不然前几个值就都是NaN了。
立即学习“Python免费学习笔记（深入）”；
移动平均值在数据分析中有哪些实际应用场景？
移动平均值这东西，在数据分析里简直是万金油。我个人用得最多的，就是看趋势和去噪。
首先，趋势识别。比如分析股票价格，单看每天的涨跌，噪声太大，很难看出长期走向。但如果你算个20日或60日移动平均线，这条线就能很好地平滑掉短期的波动，让你一眼看出价格是在上涨、下跌还是盘整。在销售数据分析里也一样，用移动平均能帮你识别出季节性趋势或者产品生命周期。
其次，数据平滑与噪声消除。很多传感器数据或者实时系统的数据，往往会有一些瞬时的毛刺或异常值，这些噪声会干扰你对真实信号的判断。移动平均就像一个低通滤波器，能有效滤除高频噪声，让你看到数据背后的真实模式。比如工业生产线上的温度传感器数据，用移动平均可以避免因为单个异常读数而误判设备状态。
再来，支撑与阻力位判断（金融领域）。在技术分析中，移动平均线常被用作动态的支撑线或阻力线。当价格跌到某条移动平均线附近时可能获得支撑，反之则可能遇到阻力。这虽然是经验性的，但在很多交易策略里都有体现。
还有，基准线设定。比如在质量控制中，你可以计算一个产品某个关键指标的移动平均值作为基准，任何偏离这个基准太远的产品，可能就需要进一步检查。我甚至用它来分析用户行为数据，比如一个用户过去7天的平均活跃度，可以作为判断他是否流失的指标。
说到底，移动平均就是一种“看整体，不纠结局部”的思维方式在数据上的体现。它能帮你从纷繁复杂的数据点中，抽离出更稳定、更有意义的信息。
如何选择合适的滚动窗口大小（window size）？
选择window大小，这真是个艺术活，没有一劳永逸的答案。我通常会这么考虑：
首先，看你的数据频率和分析目的。 如果是日度数据，你想看短期波动，可能3日、5日移动平均就够了；如果想看中期趋势，20日、30日甚至60日移动平均会更合适。如果是季度销售数据，那可能4个季度（一年）的移动平均更有意义，能消除季节性影响。窗口越大，平滑效果越好，但对数据变化的响应就越慢；窗口越小，响应越快，但平滑效果就越差，更容易受到噪声影响。这是一个经典的平滑度与响应速度的权衡。
其次，结合领域知识。 你在分析什么数据？这个领域有没有约定俗成的周期？比如股票市场，20日均线（月线）和60日均线（季线）就是常见的参考。在某些工业生产中，一个生产周期是多久？这些都可能成为你选择window大小的依据。
然后，尝试和可视化。 最直接的方法就是多试几个window大小，然后把结果画出来看看。肉眼观察哪条线最能反映你想要捕捉的趋势，同时又不会过于滞后或过于抖动。我发现，很多时候，最佳的window大小是通过反复试验和对结果的直观感受来确定的。没有哪个数学公式能完美解决这个问题。
最后，考虑min_periods。 我前面提过，min_periods可以让你在窗口数据不足时也计算结果。如果你对序列开头的准确性要求不高，或者数据量很大，可以不设min_periods（让它默认等于window大小），这样能保证每个计算出来的平均值都是基于完整窗口的数据。但如果你的数据序列比较短，或者序列开头的数据也很重要，那就需要把min_periods设置得小一些，比如1。
我个人在做数据探索的时候，会先从一个比较小的窗口（比如数据频率的2-3倍）开始，然后逐渐增大，直到曲线看起来足够平滑，但又没有丢失重要的拐点信息。
除了简单移动平均（SMA），Pandas的rolling函数还能计算哪些类型的移动平均？
Pandas的rolling函数远不止计算简单移动平均（SMA）那么简单。它实际上提供了一个“滚动窗口”的框架，你可以在这个窗口里执行各种聚合操作。
最常见的，除了mean()（平均值），你还可以用：
-
sum()：计算滚动窗口内的总和。比如，计算过去7天的总销售额。 -
std()：计算滚动窗口内的标准差。这在分析数据的波动性时非常有用，比如股票价格的波动性。 -
var()：计算滚动窗口内的方差。和标准差类似，也是衡量波动性的指标。 -
min()：计算滚动窗口内的最小值。 -
max()：计算滚动窗口内的最大值。 -
median()：计算滚动窗口内的中位数。中位数对异常值不那么敏感，有时候比平均值更能反映数据的中心趋势。 -
count()：计算滚动窗口内的非NaN值的数量。
这些都是内置的聚合函数，用起来非常方便。
# 示例：使用不同的聚合函数
data_series = pd.Series([10, 12, 15, np.nan, 18, 20, 22, 19, 25, 23, 28, 30])
print("原始数据:\n", data_series)
print("\n5日滚动和:\n", data_series.rolling(window=5, min_periods=1).sum())
print("\n5日滚动标准差:\n", data_series.rolling(window=5, min_periods=1).std())
print("\n5日滚动最大值:\n", data_series.rolling(window=5, min_periods=1).max())更高级一点，你还可以用apply()方法来应用任何自定义函数到滚动窗口上。这意味着你可以实现非常复杂的滚动计算，只要你的函数能接受一个Series（代表当前窗口的数据）并返回一个标量值。
# 示例：使用apply计算滚动加权平均
# 假设我们想给最近的数据更高的权重
def weighted_mean(window_data):
weights = np.arange(1, len(window_data) + 1) # 简单的线性权重
return (window_data * weights).sum() / weights.sum()
print("\n5日滚动加权平均:\n", data_series.rolling(window=5, min_periods=1).apply(weighted_mean, raw=False))这里需要注意，raw=False参数表示将窗口数据作为Series传递给weighted_mean函数。
至于指数移动平均（EMA），虽然它也是一种移动平均，但Pandas通常不通过rolling函数直接实现，而是提供了专门的ewm()（Exponential Weighted Moving）方法。ewm的计算方式和rolling的固定窗口平均不同，它会给近期数据更大的权重，并且权重是指数衰减的。如果你需要EMA，直接用df.ewm(...).mean()会更符合预期。但从广义的“移动平均”概念来说，rolling的这些功能已经足够强大，能覆盖绝大多数场景了。
