最稳妥方式是直接调用 .rolling(window).mean()，它自动处理 NaN、边界对齐及时序索引；自定义统计须用 .apply() 并注意输入为 Series、返回标量、避免闭包与全局状态，复杂逻辑可结合 numba 加速。
用 pandas.Series.rolling() 计算移动平均线最稳妥
直接调用 .rolling(window).mean() 是最常用也最不易出错的方式，它自动处理 NaN 填充、边界对齐和时序索引对齐问题。别手写循环或用 numpy.convolve —— 容易漏掉首尾截断、权重不均、索引错位。
-
window支持整数（如20）、时间字符串（如'5D'，需索引为DatetimeIndex）或pd.offsets对象 - 默认
min_periods=1，但计算 20 日均线时建议显式设为min_periods=20，避免前 19 行返回非空值干扰判断 - 若原始数据含缺失值，
.rolling()默认跳过 NaN 参与计算；想强制要求窗口内无 NaN，得先dropna()或用min_periods控制有效值下限
自定义滑动窗口统计量必须用 rolling().apply()，但要注意函数签名和 axis
.apply() 接收一个函数，该函数输入是当前窗口的 Series（不是 DataFrame），返回标量。常见错误是传入带 axis 参数的 numpy 函数（如 np.std(x, axis=0)），其实没必要——窗口内就是一维。
- 自定义函数必须返回单个 Python 标量（
float、int等），不能返回np.ndarray或Series - 避免在
.apply()里做重操作（如拟合模型），性能会断崖下跌；可先用.rolling().agg()调用内置函数加速，再补足逻辑 - 若需访问窗口外数据（比如计算相对前一日变化率），
.apply()不适用，应改用shift()配合布尔索引或iloc手动切片
rolling().apply() 中使用 lambda 易踩坑：闭包变量未绑定、无法序列化
写成 df['ma'].rolling(10).apply(lambda x: my_func(x, param=0.5)) 看似简洁，但 param 值在定义时捕获，后续修改变量不会生效；更重要的是，这类 lambda 无法被 pickle，导致多进程（如 dask 或 joblib）报错 Can't pickle local object。
- 推荐封装为具名函数：
def weighted_std(x, alpha=0.5): return np.std(x) * alpha，再调用.apply(weighted_std, alpha=0.5) - 参数必须通过
**kwargs传入，不能靠外部作用域变量；且所有参数类型需为基本类型（int/float/str），不可传list或自定义类实例 - 若函数内部依赖全局状态（如计数器、缓存），
.apply()每次调用都是独立上下文，状态不会累积
高频场景下 numba.jit 加速 rolling().apply() 有硬限制
当窗口统计逻辑复杂且数据量大（>100 万行），纯 Python .apply() 会成为瓶颈。用 @numba.jit(nopython=True) 能提速 5–50 倍，但前提是函数只用支持的 numpy/Python 子集。
立即学习“Python免费学习笔记（深入）”；
-
numba不支持pandas对象，输入x必须是np.ndarray；需提前用.to_numpy()转换，且确保无 NaN（numba对np.nan处理不稳定） - 不能在 jit 函数里调用
len()、print()、isinstance()或任何非 nopython 模式函数 - 首次调用会编译，后续才快；若窗口大小动态变化（如
window=lambda i: i//100 + 5），jit 失效，得回退到普通模式
实际业务中，移动平均线本身很少需要定制逻辑，真正卡点的是带条件的滑动统计（比如“过去 10 笔交易中价格高于均值的次数”）——这种必须手动构造布尔窗口并用 .sum()，而不是依赖 .apply()。
