滑动窗口迭代器通过deque实现O(n)空间高效抽取，适配任意可迭代对象；时间序列需对齐填充后用rolling聚合；优化技巧包括避免重复构造、优先C加速函数及O(1)极值统计。
用迭代器做滑动窗口数据抽取，关键在于避免复制整个子序列、不提前加载全部数据，只在需要时生成当前窗口——这对处理长序列、流式数据或内存受限场景特别高效。
基础滑动窗口迭代器（通用、轻量）
适合任意可迭代对象（列表、生成器、文件行等），窗口大小为 n，步长固定为 1：
- 使用
collections.deque维护窗口，maxlen=n自动丢弃最老元素，追加新元素，空间复杂度稳定为 O(n) - 先预填充前 n−1 个元素，再逐个读取后续项并 yield 元组形式的窗口
- 示例：对
[1,2,3,4,5]调用sliding_window_iter(seq, 3)输出(1,2,3),(2,3,4),(3,4,5)
适配时间序列的滚动统计（带索引与对齐）
若数据带时间戳（如 pandas Series 或 datetime-indexed 数据），需保证窗口内时间连续、无跳跃：
- 先用
.asfreq('D')或.reindex()填充缺失日期（填 NaN 或前向填充），再调用.rolling(window='7D')实现日历对齐窗口 - 聚合时用
.mean()、.sum()等原生方法，底层自动跳过 NaN（除非显式设min_periods=1） - 若需自定义统计（如中位数、分位数），用
.apply(lambda x: np.quantile(x, 0.9))，注意性能损耗
高吞吐场景下的优化技巧
当窗口频繁计算、数据量大时，这些细节显著影响效率：
- 避免在循环内反复创建 list/tuple：直接 yield
tuple(deque)，不转 list；若下游只需遍历，甚至可 yield deque 本身（节省构造开销） - 用
itertools.islice替代切片索引，尤其对 generator 输入更安全 - 对数值密集型任务（如滚动均值），优先用
pandas.Series.rolling().mean()或numpy.convolve，它们底层是 C 实现，比纯 Python 迭代快 10–100 倍 - 若需多线程并行处理多个窗口结果，用
concurrent.futures.ThreadPoolExecutor+ 预生成窗口迭代器，别在线程里再建迭代器
实战：每 5 分钟滚动统计 CPU 使用率峰值
假设你有一组带时间戳的监控数据流（每秒一条），目标是输出每个连续 5 分钟窗口内的最大 CPU 使用率：
- 将原始流按秒解析为
(timestamp, cpu_pct)元组流 - 用
itertools.groupby或pandas.Grouper(key='ts', freq='5T')划分自然窗口，或用滑动窗口迭代器手动控制边界 - 对每个窗口内
cpu_pct列直接调用max()—— 不必存全量，只保留当前最大值即可，空间 O(1) - 最终结果可实时写入 Kafka 或打印，无需缓存整段窗口数据
