Pandas rolling() 结果异常主因是索引不连续或参数误配：默认 min_periods=1 仍因对齐丢数据；apply() 性能差因绕过 Cython；窗口闭合方式与 Excel 不一致；PeriodIndex 需转 DatetimeIndex 才兼容整数窗口。
滚动窗口聚合结果不对，rolling() 返回 NaN 太多
根本原因是默认 min_periods=1 时仍会因对齐逻辑丢数据——Pandas 的 rolling() 默认按索引顺序切窗口，但若原始数据索引不连续（比如缺失日期、重复索引、非单调），窗口内实际能取到的值就少于预期，min_periods 又没设够，直接返回 NaN。
实操建议：
立即学习“Python免费学习笔记（深入）”；
macOS UI 自动化技能包 —— 用 Python 控制你的 Mac
下载
让 macOS 自动化像说话一样简单 —— 用代码控制你的 Mac，无需学习 AppleScript 系统要求 macOS 14+ (Sonoma) Python 3.9+ 需要开启：辅助功能 + 屏幕录制权限
- 先检查索引：
df.index.is_monotonic_increasing and df.index.is_unique，不满足就reset_index(drop=True)或用asfreq()补齐时间序列 - 显式设
min_periods=1（别依赖默认），尤其在首几个位置想出结果时 - 时间序列场景优先用
rolling('7D', on='date_col')而非依赖索引，避免隐式对齐陷阱
rolling().apply() 性能差得离谱，CPU 占满还慢
因为 apply() 强制逐窗口 Python 循环调用，完全绕过 Pandas 底层 Cython 优化。哪怕只算个 np.mean，也比原生 rolling().mean() 慢 10–50 倍。
实操建议：
立即学习“Python免费学习笔记（深入）”；
- 优先用内置方法：
mean()、sum()、std()、quantile()等，它们全走编译路径 - 真要自定义逻辑，先看
scipy.ndimage.uniform_filter1d或numba.jit配合rolling().apply()，但注意 numba 不支持 pandas Series 方法 - 避免在
apply()里做len(x)、x.iloc[0]这类开销大的操作；改用x.values直接拿 NumPy 数组
窗口跨行计算结果和 Excel 手动拉公式不一致
常见于用 rolling(window=3).sum() 时，Excel 用户习惯“当前行 + 上两行”，而 Pandas 默认是“当前行 + 前两行”——看起来一样，但当数据有空值或用 closed='left' 等参数时，边界行为立刻分叉。
实操建议：
立即学习“Python免费学习笔记（深入）”；
- 确认窗口闭合方式：
closed='both'（默认）包含首尾；closed='right'排除左端点；时间窗口下还受on列精度影响 - 调试时加一列人工对照：
df['manual_sum'] = df['col'].shift(0) + df['col'].shift(1) + df['col'].shift(2)，和rolling(3).sum()对比前几行 - 别信文档里“等价于 Excel”的说法——Excel 没索引概念，Pandas 有；Excel 拉公式默认向下填充，Pandas
rolling()默认从第window行开始出值
用 resample() + rolling() 嵌套后结果为空或报错 ValueError: window must be an integer
典型误用：先 resample('D').sum() 再链式调 rolling(7).mean()，结果发现 resample 后索引变成 PeriodIndex，而 rolling() 对 PeriodIndex 支持有限，尤其 window 参数传整数时会懵。
实操建议：
立即学习“Python免费学习笔记（深入）”；
- PeriodIndex 上做滚动，必须显式转回 DatetimeIndex：
.to_timestamp()或.to_timestamp(how='start') - 更稳的做法是：不用嵌套，改用
df.set_index('time').resample('D').sum().rolling('7D').mean()，让rolling()直接认时间字符串 - 如果 resample 后有缺失日期，
rolling()默认跳过空桶——想补零再滚动？先.fillna(0)，但注意这会污染统计意义
