常见错误是未指定min_periods，默认要求填满窗口才计算，导致前window-1行全为nan；设min_periods=1可从首项起累计计算，适合平滑；rolling().mean()比rolling().apply(np.mean)更快更稳健；时间窗口需datetimeindex并排序去重；center=true可减少滞后。
pd.DataFrame.rolling() 为什么算出来全是 NaN？
常见错误是没指定 min_periods，尤其当窗口刚启动时，pandas 默认要求填满整个窗口才计算，导致前 window-1 行全为 NaN。比如 df['x'].rolling(5).mean()，前 4 个值一定是 NaN。
- 加
min_periods=1：从第一个值就开始累计平均，适合做平滑曲线 - 不设或设为
min_periods=5：严格等窗口填满才出值，适合统计检验类场景 - 注意：设
min_periods=1后，首项就是原值，第二项是前两项均值，以此类推——这不是“补零”，而是真实滚动计算
rolling().mean() 和 rolling().apply(np.mean) 有啥区别？
表面上结果一样，但底层行为和性能差异明显。前者是 pandas 内置优化路径，后者强制走 Python 层循环，慢一个数量级，还容易在空窗口时报 ValueError: No numeric data to aggregate。
-
rolling(3).mean()支持自动跳过非数值列、处理NaN更稳健 -
rolling(3).apply(np.mean)遇到含NaN的窗口会返回NaN（除非加na_action='ignore'），且对datetime列可能意外报错 - 如果真要自定义逻辑（比如中位数、带权重的均值），优先用
rolling(3).apply(lambda x: np.nanmedian(x))，而不是裸调np.mean
时间序列里用 rolling() 必须先 set_index 吗？
不一定，但不设就默认按行号索引滚动，和你想表达的“过去 7 天”完全对不上。pandas 的 rolling(window='7D') 这种时间窗口，只认 DatetimeIndex。
- 错误写法：
df.rolling('7D').mean()→ 报错Window must be an integer - 正确流程：先
df.set_index('date_col')，再df.index = pd.to_datetime(df.index)，最后df.rolling('7D').mean() - 如果日期列有重复或未排序，
rolling('7D')会静默失效——建议加df = df.sort_index().drop_duplicates()预处理
怎么让 rolling 平滑曲线更贴近原始数据趋势？
直接用 .mean() 容易滞后，尤其窗口大时，峰值被压平、拐点延后。这不是 bug，是移动平均的本质特性。
立即学习“Python免费学习笔记（深入）”；
- 试试中心化窗口：
df.rolling(5, center=True).mean()，把均值对齐到窗口中间位置，视觉延迟减半 - 避免用过大窗口（如
rolling(30)）平滑日频数据——它实际抹掉了月度波动，不是“平滑”，是“失真” - 若需保边缘信息，别依赖
min_periods=1，改用scipy.signal.savgol_filter()，它用多项式拟合，边界处理更合理
