pandas.Series.rolling().mean()可高效实现移动平均，需确保索引为排序的DatetimeIndex并设合适window与min_periods；SimpleExpSmoothing须调用.fit()才能获得拟合结果，alpha应合理设置避免过拟合或滞后。
用 pandas.Series.rolling().mean() 做移动平均，别手写循环
移动平均本质是窗口内均值，pandas 的 rolling 方法直接封装了底层优化逻辑，比用 for 循环或 numpy.convolve 更安全、更易对齐时间索引。窗口大小（window）必须是正整数，且建议为奇数（如 3、5），否则中心对齐会偏移——pandas 默认居中对齐，但若数据末尾缺失值多，得配合 min_periods 控制容忍度。
常见错误是忽略索引类型：如果时间索引不是 DatetimeIndex 或未排序，rolling 仍会按行序计算，而非时间顺序。务必先执行 df.sort_index() 或 series = series.sort_index()。
示例：
import pandas as pd # 假设 ts 是带 DatetimeIndex 的 Series smoothed = ts.rolling(window=5, min_periods=3).mean()
用 statsmodels.tsa.holtwinters.SimpleExpSmoothing 做指数平滑，别调 alpha 盲目设 0.5
指数平滑不是“调个 alpha 就完事”。SimpleExpSmoothing 默认不优化参数，必须显式调用 .fit()，否则返回的是未拟合对象，.fittedvalues 为空。alpha 范围是 (0, 1)，但设太高（如 >0.8）会让结果过度跟随噪声；太低（如 ses.fit(optimized=True)。
立即学习“Python免费学习笔记（深入）”；
注意输入必须是 1D array-like，不能是 DataFrame；若传入含 NaN 的序列，fit() 会直接报错 ValueError: Input contains NaN，需提前用 ts.dropna() 或插值处理。
示例：
from statsmodels.tsa.holtwinters import SimpleExpSmoothing ses = SimpleExpSmoothing(ts.dropna()) fitted = ses.fit(optimized=True) smoothed = fitted.fittedvalues
移动平均 vs 指数平滑：延迟、边界和实时性差异
移动平均有固定延迟：窗口为 n 时，输出比输入滞后约 (n-1)/2 步，无法用于实时预警；指数平滑无固定窗口，延迟随 alpha 增大而减小，更适合流式更新——只要保存上一期的平滑值 l_{t-1}，新点到来时用 l_t = alpha * x_t + (1-alpha) * l_{t-1} 即可增量计算。
边界行为也不同：移动平均在起点产生 NaN（除非设 min_periods=1），而指数平滑默认用首值初始化，起点就有输出。但这也带来风险：若首值是异常点，会影响后续所有平滑结果，必要时可用前几期均值初始化。
性能上，纯 Python 实现的指数平滑循环比 pandas.rolling 快一个数量级（尤其大数据量），但前提是避免反复构造对象——把 l_t 当作状态变量传入函数，而非每次新建 SimpleExpSmoothing 实例。
别忽略原始噪声分布，先用 ts.diff().hist() 看波动模式
选方法前，先观察一阶差分分布：如果 ts.diff().hist() 显示长尾或双峰，说明噪声非高斯、可能含突变点，此时移动平均会被拉偏，指数平滑响应又太慢。这种情况下，应先用 scipy.signal.medfilt 做中值滤波去脉冲噪声，再套平滑。
另一个易漏点是重采样干扰：原始数据若是不等间隔采集（如传感器断连后补传），直接做 rolling 或 SES 会把时间空档误当正常间隔。必须先用 ts.resample('1H').mean() 对齐频率，再平滑。
最后提醒：平滑只是预处理，不是建模替代品。若后续要预测，SES 自带 .forecast()，而移动平均输出不能直接外推——它没状态，也没误差估计。
