rolling().mean()仅支持等权均值，因底层为C实现的滑动求和且不接受权重参数；win_type仅控制窗口形状，不改变等权逻辑；apply()不透传weights，需手动构造并校验长度。
直接用 rolling() 配合 apply() 是最灵活的方式，但默认不支持内置加权窗口；想用向量化性能，得手动构造权重并配合 np.average() 或 convolve。
为什么 rolling().mean() 不能直接做加权平均
Pandas 的 rolling().mean() 是等权均值，底层调用的是 C 实现的滑动求和+计数，不接受权重参数。即使传入 win_type（比如 'gaussian'），它也只影响窗口形状，最终仍是对窗口内值做等权平均，不是你想要的「按自定义权重加权」。
-
win_type='triangular'仅控制窗口衰减形态，不改变加权逻辑 -
rolling().apply(np.average, weights=...)会报错 ——apply不把weights透传给np.average - 权重必须在
apply内部显式构造，且长度需严格匹配当前窗口
用 rolling().apply() + 手动加权（最通用）
适合权重固定、窗口大小固定、逻辑需自定义的场景，比如前 3 期按 [0.5, 0.3, 0.2] 加权。
Secure Python Code Sandbox
下载
安全 Python 代码沙箱：在隔离的沙箱中执行任意 Python 代码，预装 requests、NumPy、pandas 库。返回 stdout、stderr。
import pandas as pd import numpy as np <p>s = pd.Series([1, 2, 3, 4, 5]) weights = np.array([0.5, 0.3, 0.2])</p><p>result = s.rolling(window=3).apply( lambda x: np.average(x, weights=weights) if len(x) == 3 else np.nan, raw=False )
- 必须加
if len(x) == 3 else np.nan：滚动初期窗口不满，x长度不足，np.average会因权重长度不匹配报ValueError -
raw=False（默认）才能把x当Series处理，方便取值；设为True会传ndarray，但权重仍需对齐 - 性能一般：Python 层循环，大数据量时明显慢于向量化方法
用 np.convolve() 实现向量化加权滚动（最快）
当权重是固定数组、窗口大小恒定、且允许首尾填充 nan 时，这是最优解。本质是把加权平均转为一维卷积。
立即学习“Python免费学习笔记（深入）”；
w = np.array([0.5, 0.3, 0.2]) # 卷积后需除以权重和（此处为 1.0），若权重未归一化要显式除 conv = np.convolve(s, w[::-1], mode='valid') # 注意反转权重 result = pd.Series(conv, index=s.index[2:]) # 对齐索引
- 权重必须反转：
np.convolve是“翻转后滑动点乘”，而滚动窗口是正序对齐，所以传w[::-1] -
mode='valid'自动截掉边界不完整部分，结果比原序列短window-1个元素 - 无法处理
min_periods类逻辑（比如允许窗口从 1 开始计算），也不支持center=True - 若权重和不为 1，必须手动除：例如
w=[1,2,1]要写np.convolve(s, w[::-1]) / w.sum()
容易被忽略的边界与 dtype 问题
加权滚动最常出问题的地方不在主逻辑，而在边缘细节：
- 输入
Series若含NaN，np.average(..., weights=...)默认不忽略，会传播NaN；如需跳过，得先dropna()或改用np.nansum(x * w) / np.nansum(w) - 权重数组类型最好显式设为
float64，否则混合int权重和float数据可能导致意外截断 - 使用
convolve时，若原始数据是Int64（nullable int），卷积会强制转为float64，无法保留整数语义 -
rolling(window=n).apply(...)在axis=1（DataFrame 行方向）时行为不同，权重需按行构造，别直接复用列方向代码
