滚动平均平滑需合理选择窗口大小、设置min_periods=1、根据需求设定center=True，脉冲噪声优先用median()，保形平滑推荐savgol_filter()，并确保时间索引对齐。
用 rolling() 做简单移动平均平滑，但窗口大小选错会失真
移动平均是最常用的时间序列平滑方法，rolling() 是 Pandas 最直接的实现方式。关键不是“能不能算”，而是窗口大小 window 怎么选——它直接决定保留趋势还是抹掉细节。
- 对秒级数据，
window=5可能只平滑掉瞬时毛刺；对日频数据，window=7才勉强覆盖一周周期，window=30更适合捕捉月趋势 -
min_periods=1要显式设置，否则开头几行会是NaN，尤其在小数据集或短窗口下容易漏掉起始段 - 别用
center=False（默认）去对齐高频事件——比如你想让平滑值代表“当前时刻附近”的状态，就该设center=True，否则延迟偏差明显
示例：df['value_smooth'] = df['value'].rolling(window=14, min_periods=1, center=True).mean()
遇到脉冲噪声（spike noise）优先用 median() 而不是 mean()
均值对异常值极度敏感，一个突发尖峰就能拉偏整段平滑曲线；中位数鲁棒性强得多，特别适合传感器数据、日志计数这类含偶发错误上报的场景。
-
rolling(7).median()对单点突刺几乎免疫，但响应速度比均值慢——它不“预测”，只“确认”周围多数点是什么水平 - 若噪声是成片的（比如连续 3 秒丢数后补了错误值），单靠
median()不够，得先用zscore或quantile检出异常区间再插值 - 注意：中位数计算比均值慢，大数据量时
rolling().median()可能比.mean()慢 3–5 倍，别在实时 pipeline 里无脑替换
用 scipy.signal.savgol_filter() 替代低阶 rolling 实现保形平滑
当你的信号有明确局部结构（如心电波形、机械振动频谱），移动平均会模糊峰谷——这时 savgol_filter 是更优解，它用多项式最小二乘拟合局部窗口，能保持导数连续性。
SkillSub Pro - Python 题解与代码注释双功能技能功能概述SkillSub Pro - Python 题解与代码注释双功能技能是一项面向实际任务的技能，主要用于SkillSub Pro 是一个 Python 题解生成与代码注释的 双功能合体技能 ，专为学生、算法学习者和开发者设计；✅ 一个技能，两种用途 ：；核心要点📝 题解模式 ：输入题目/题号，自动生成完整 Python 题解（含详细注释、解题思路、复杂度分析）；💬 注释模式 ：输入 Python 代码，自动添加详细中。它将相关步骤、
立即学习“Python免费学习笔记（深入）”；
- 参数组合很关键：
window_length必须是奇数，且至少为polyorder+1；polyorder=2适合大多数缓变曲线，polyorder=3对带拐点的曲线更稳 - 它默认在两端做镜像延拓，若你的时间序列首尾不可外推（如业务指标从 0 开始），得加
mode='nearest'避免虚假抬升 - Pandas 本身不提供此功能，必须
from scipy.signal import savgol_filter，返回的是numpy.ndarray，需手动塞回 DataFrame：df['y_savgol'] = savgol_filter(df['y'], window_length=11, polyorder=2)
时间索引不对齐会导致平滑结果错位，必须检查 freq 和 resample()
很多人把 CSV 读进来直接 rolling()，结果发现平滑线“漂移”——根本原因是时间索引缺失频率信息，Pandas 按行数而非真实时间间隔滚动。
- 先确认：
df.index.freq是否为None？若是，df = df.asfreq('1H')或df = df.resample('1H').first()补齐规则间隔 - 如果原始采样不规则（如 IoT 设备心跳间隔波动），硬插
asfreq会引入虚假 NaN，此时应改用rolling('7D').mean()——传字符串时间窗口，Pandas 自动按时间戳对齐 - 注意：
rolling('7D')的 7 天是自然日，不是 7 个数据点；若数据跨夏令时或闰秒，结果仍可靠，但性能略低于整数窗口
平滑不是黑箱操作，窗口类型、噪声形态、时间对齐这三点任一出错，结果就不可信。尤其当后续要基于平滑值做阈值告警或拟合时，错位的平滑线会让所有下游逻辑失效。
