本文介绍如何利用 numpy.lib.stride_tricks.sliding_window_view 高效构建滚动窗口 dataframe，替代低效循环，在 10 万行数据上提速超 400 倍，兼顾内存友好性与代码简洁性。
在时间序列分析、特征工程或滑动统计建模中，常需将一列数据（如传感器读数、股价序列）转换为多个长度固定的滚动子序列，并组织成二维结构（如 DataFrame）。例如，对长度为 1000 的序列以窗口大小 5 进行滑动，应得到 996 个长度为 5 的子序列，最终构成形状为 (5, 996) 的矩阵——每列代表一个起始位置的窗口，每行对应窗口内偏移量（即 col0 是各窗口首元素，col1 是次元素，依此类推）。
传统做法（如嵌套 for 循环 + iloc）虽逻辑直观，但时间复杂度为 O(n×w)，在 n=20,000 时耗时近 10 分钟，完全不可扩展。根本瓶颈在于频繁的 Python 层索引开销与内存拷贝。
推荐方案：零拷贝滑动视图 + 向量化转置
NumPy 1.20+ 提供的 sliding_window_view 可创建内存共享的滑动视图——不复制原始数据，仅通过调整 strides 和 shape 实现“虚拟”窗口，近乎常数时间开销。配合 .T 转置，即可自然对齐目标格式（行=窗口，列=时间步）：
import pandas as pd
import numpy as np
from numpy.lib.stride_tricks import sliding_window_view as swv
# 构造示例数据（1000 行）
N = 1000
df = pd.DataFrame({'col0': range(1, N + 1)})
# ✅ 高效生成滚动子序列 DataFrame（窗口大小=5）
window_size = 5
rolling_array = swv(df['col0'], window_shape=window_size) # 形状: (996, 5)
result_df = pd.DataFrame(rolling_array.T).add_prefix('col') # 转置后: (5, 996) → 列命名 col0~col995
print(result_df.head())
# col0 col1 col2 col3 col4 col5 ... col990 col991 col992 col993 col994 col995
# 0 1 2 3 4 5 6 ... 991 992 993 994 995 996
# 1 2 3 4 5 6 7 ... 992 993 994 995 996 997
# 2 3 4 5 6 7 8 ... 993 994 995 996 997 998
# 3 4 5 6 7 8 9 ... 994 995 996 997 998 999
# 4 5 6 7 8 9 10 ... 995 996 997 998 999 1000性能对比（n=100,000）
- 循环实现：≈ 10,000 ms（10 秒级）
- sliding_window_view：≈ 25 ms（提升 400×），且内存占用恒定（视图无拷贝）
关键注意事项
- ✅ 兼容性：需 NumPy ≥ 1.20；旧版本可用 np.lib.stride_tricks.as_strided（需手动计算 strides，易出错，不推荐）。
- ⚠️ 只读语义：sliding_window_view 返回只读数组，若需修改结果，请显式调用 .copy()。
- ? 输出维度：输入长度 n、窗口大小 w → 输出列数为 n - w + 1，行数恒为 w。
- ? 多列扩展：若需对多列同时滚动，先 swv(df.values, w) 再按需重塑（注意 axis 顺序），但需确保列间对齐逻辑一致。
该方法将滚动窗口从“计算密集型任务”降维为“元数据操作”，是 Pandas 用户处理大规模滑动特征的首选实践。结合后续向量化操作（如 df.mean(axis=0) 计算每窗口均值），可构建端到端高性能流水线。
