本文介绍一种高效、可扩展的方法，利用 numpy 的滑动窗口机制，在 pandas dataframe 中精准定位满足“某行 target=1 且其后紧邻6个连续0”条件的最后一个1的位置，并在该行标记为 true。
在时间序列或状态转换分析中，常需识别特定模式的边界点——例如，“一个状态结束并稳定进入静默期”的时刻。本例中，目标是：当某行 TARGET == 1，且其之后连续6行（含自身后续）均为0时，将该 1 所在行的 OUTPUT 设为 True；且仅标记满足条件的最后一个 1（即最靠近该6个0块的前导1），其余 1 行为 False。
你最初尝试的 rolling(6).sum().eq(0).shift(-6) & df['TARGET'].eq(1) 实际上存在逻辑偏差：
- rolling(6).sum().eq(0) 检查的是当前行及前5行是否全为0（窗口向左对齐）；
- shift(-6) 将其下移6行，试图匹配“当前行为1，之后6行为0”，但滚动窗口默认左对齐 + shift(-6) 易导致越界和语义混淆，不可靠且难以维护。
✅ 推荐方案：使用 numpy.lib.stride_tricks.sliding_window_view 构建固定长度、右对齐的滑动窗口，直接匹配目标模式 [1, 0, 0, 0, 0, 0, 0]（长度为7）：
import pandas as pd
import numpy as np
from numpy.lib.stride_tricks import sliding_window_view
# 示例数据
df = pd.DataFrame({
'CLI_CD': [3] * 10,
'TARGET': [1, 1, 1, 0, 0, 0, 0, 0, 0, 0]
})
# 定义匹配模式：1 后紧跟 6 个 0 → 总长 7
PATTERN = np.array([1, *[0]*6]) # 等价于 [1,0,0,0,0,0,0]
def mark_pattern_start(series):
# 生成所有长度为 len(PATTERN) 的连续子序列窗口
windows = sliding_window_view(series, window_shape=len(PATTERN))
# 判断每个窗口是否完全匹配 PATTERN
matches = (windows == PATTERN).all(axis=1)
# 将布尔结果映射回原 series 长度：匹配窗口的起始位置设为 True，其余为 False
# 使用 np.pad 补零至原长度（因窗口数 = n - len(PATTERN) + 1）
result = np.zeros(len(series), dtype=bool)
result[:len(matches)] = matches
return result
df['OUTPUT'] = df.groupby('CLI_CD')['TARGET'].transform(mark_pattern_start)
print(df)? 关键说明：
- sliding_window_view(series, 7) 将长度为 n 的序列转为 (n-6, 7) 形状数组，每行是一个长度为7的连续切片；
- (windows == PATTERN).all(axis=1) 得到长度为 n-6 的布尔数组，True 表示该窗口从第 i 行开始完全匹配模式；
- 因此，result[i] = True 即表示第 i 行是模式的起始位（即那个关键的 1），完美符合需求；
- groupby(...).transform() 确保按 CLI_CD 分组独立检测，避免跨组误匹配。
⚠️ 注意事项：
- 若数据中存在少于6个尾随0的情况（如末尾不足6个0），对应位置自动无法匹配，安全无副作用；
- 模式可任意定制（如 [0,1,0,0,1,1,0]），不依赖数值求和，泛化性强、语义清晰；
- sliding_window_view 自 NumPy 1.20 起内置，无需额外依赖；旧版本可用 np.lib.stride_tricks.as_strided 手动实现，但需谨慎处理内存安全。
✅ 总结：相比滚动窗口+位移的隐晦逻辑，滑动窗口模式匹配更直观、健壮、易调试，是处理此类固定长度序列模式识别任务的最佳实践。
