rolling 算出全 NaN 主因是索引非 DatetimeIndex 或未排序；时间窗口（如 '7D'）要求索引为排序后的 datetime64[ns]，否则无法对齐；非时间窗口（如 5）仅按行数滑动，不依赖索引。
rolling 为什么算出来全是 NaN？检查 index 和 freq 是否对齐
常见错误是直接对无序或非时间索引的 DataFrame 调用 rolling(window='7D')，结果全为 NaN。Pandas 的时间窗口（如 '7D'）要求索引是 DatetimeIndex 且已排序，否则无法按时间对齐滑动。
- 先确认索引类型：
df.index.dtype应为datetime64[ns] - 若原始数据是列而非索引，需先设为索引：
df.set_index('date_col', inplace=True) - 务必排序：
df = df.sort_index()，否则rolling按原始行序滑动，不是按时间滑动 - 非时间窗口（如
rolling(5)）只认行数，不依赖 index，适合数值序列或已按序排列的指标
expanding 和 rolling 的本质区别：累积 vs 固定长度
expanding() 是从第一行开始累积计算，窗口长度逐行增长；rolling(window=3) 始终只看最近 3 行（或 3 个时间单位）。二者语义不同，不能混用替代。
-
df['col'].expanding().mean()第 1 行 = 第 1 行值，第 2 行 = 前 2 行均值，第 n 行 = 前 n 行均值 -
df['col'].rolling(3).mean()前 2 行固定返回NaN（因不足 3 个），第 3 行起才开始有值 - 想实现“至少 2 个点就出结果”，可加
min_periods=2参数：rolling(3, min_periods=2) -
expanding不支持时间偏移（如'7D'），只接受整数或None
groupby 后做 rolling：必须用 apply + lambda，不能链式调用
对分组数据做滑动计算时，df.groupby('category').rolling(5)['value'].mean() 看似合理，但实际会报 KeyError 或返回错乱结构——因为 rolling 在 groupby 后不直接支持列选择语法。
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
- 正确写法：
df.groupby('category')['value'].apply(lambda x: x.rolling(5).mean()) - 若需保留原始索引（避免多级索引），加
reset_index(name='rolling_mean') - 性能注意：
apply是 Python 循环，大数据量时比向量化慢；若分组多、每组小，影响不大；若每组很大，考虑先sort_values再整体rolling加布尔掩码过滤 - 时间窗口分组滚动（如每组内按天滚动 7 天）更复杂，需确保组内 index 是
DatetimeIndex且已排序
rolling 计算后如何对齐结果？center 参数和 closed 选项常被忽略
默认 rolling(window=3) 的结果中，第 3 行对应的是第 1–3 行的计算值，即右对齐（closed='right'）。但有时你需要中心对齐（比如画图时希望均值标在中间时间点），或左闭右开等语义。
立即学习“Python免费学习笔记（深入）”；
- 中心对齐：
rolling(3, center=True)→ 窗口为 [i-1, i, i+1]，结果放在第 i 行，前/后各缺 1 行为NaN - 控制闭合方式：
rolling(3, closed='left')表示取 [i-3, i-2, i-1]，结果放第 i 行；closed='both'（默认）取 [i-2, i-1, i] - 时间窗口下
closed更关键，例如rolling('7D', closed='left')不包含当前时刻，适合避免数据泄露场景 - 所有这些参数不影响计算逻辑，只改变“哪几行参与计算”以及“结果落在哪一行”
closed 和 center 的语义误读——它们不改数值，只改对齐方式，但一旦画图或拼接就立刻暴露。 
