pandas.Series.rolling() 是计算移动平均最常用且性能最优的方式，支持时间窗口、自动处理缺失值和索引对齐，但需注意 closed 参数、min_periods 设置及滞后性等关键细节。
用 pandas.Series.rolling() 快速计算移动平均
直接调用 rolling() 是最常用也最稳妥的方式，它自动处理索引对齐、缺失值填充逻辑，且底层用 Cython 优化，性能远超纯 Python 循环。
常见错误是忽略窗口对齐方向：默认 closed='right'，即当前点包含在窗口内；若需“向前看”（比如预测场景），得显式设 closed='left' 或改用 shift() 调整位置。
-
df['price'].rolling(window=5).mean()计算每 5 个连续点的均值，结果第 1–4 行为NaN - 若原始数据有日期索引，
window可传字符串如'7D'，但要求索引是DatetimeIndex且不重复 - 避免用
rolling().apply(np.mean)—— 它绕过内置优化，慢一个数量级
手动实现 numpy.convolve() 移动平均（轻量/无 pandas 场景）
当只有一维数组、不想引入 pandas 依赖，或需要完全控制边界行为时，numpy.convolve() 是更底层但高效的选择。
关键陷阱是卷积默认做“full”模式，返回长度为 n + window - 1 的数组，必须截取中间部分才能对齐原数组。另外，卷积核要归一化（除以窗口长度），否则结果是求和而非均值。
立即学习“Python免费学习笔记（深入）”；
-
np.convolve(arr, np.ones(5)/5, mode='valid')返回长度为len(arr)-4的数组，对应从第 5 个元素开始的移动均值 -
mode='same'会补零导致首尾失真，不适合趋势分析；真要补齐，应手动用np.nan替代 - 整数数组慎用：
np.ones(5)/5生成 float64，可能引发隐式类型转换，建议显式写np.full(5, 1.0/5)
处理非等距时间序列时，别硬套固定 window 参数
真实传感器数据或日志时间戳常不均匀，用固定点数窗口（如 window=10）会导致物理时间跨度漂移——某段密集采样下窗口只覆盖 1 秒，另一段稀疏时却跨了 10 分钟。
此时必须基于时间范围定义窗口，pandas 支持字符串单位（如 '30S'、'2H'），但前提是索引是排序过的 DatetimeIndex，且 freq 属性无需严格设置（rolling() 内部按实际时间差计算）。
- 先确保索引是时间类型：
df.index = pd.to_datetime(df.index)，否则'5T'会报ValueError: invalid type for a time-based window - 使用
min_periods=1避免因局部数据不足全为NaN；但注意这会让起始点均值仅基于 1 个值，偏差大 - 若时间戳含时区，滚动计算前统一转为 UTC 或本地时区，否则跨时区边界可能出错
移动平均结果滞后性带来的误判风险
所有移动平均本质都是低通滤波，必然滞后——窗口越大，滞后越明显。比如股价用 20 日均线判断拐点，信号通常比实际转折晚 10 天左右。
这不是实现 bug，而是数学特性。想减弱滞后，可尝试加权移动平均（rolling().apply(lambda x: np.average(x, weights=np.arange(len(x))))），但权重设计需结合业务意义，不能盲目“让最新点权重更高”。
- 双移动平均（如短期均线上穿长期均线）比单均线更能捕捉方向变化，但增加参数敏感性
- 对比原始序列与移动平均时，务必用同一横轴（时间或索引），否则视觉错位会放大滞后感
- 滚动标准差（
.rolling(20).std()）比均值更易暴露波动突变，常配合使用
窗口大小不是越大越好，也不是越小越灵敏——它本质是在噪声抑制和响应速度之间做权衡，得靠领域知识定，而不是调参找最优。
