pandas中用shift(k).rolling(n)可正确构造滞后滚动统计特征，先shift再rolling确保窗口仅含历史数据；需注意min_periods、索引对齐及NaN处理。
用 pandas.DataFrame.shift() 配合 rolling() 是最直接的路
别绕弯子，shift() 负责“错位”，rolling() 负责“窗口聚合”，两者嵌套就能生成滞后滚动统计特征。比如想构造“过去5天收盘价的均值，且该均值要滞后1天（即不包含当天）”，就得先 shift(1) 再 rolling(5)，顺序不能反。
常见错误是把 rolling().mean() 直接套在原始列上，结果得到的是含当天的窗口，不符合“滞后”定义；或者先 rolling 后 shift，导致窗口计算本身被平移，语义混乱。
-
df['price'].shift(1).rolling(5).mean()→ 正确：先让数据整体后退1天，再对这组“已滞后”的序列做5期滚动均值 -
df['price'].rolling(5).mean().shift(1)→ 错误：先算出含当天的5日均值，再整体后移——第6行的值其实是原第2–6天的均值，不是你想要的“第1–5天均值” - 窗口大小
n和滞后步数k独立控制：shift(k).rolling(n)表示“用前n个历史点（不含当前）计算，且整个特征再往后推k步”
用 sklearn.preprocessing.FunctionTransformer 批量封装更省事
当你要同时生成多个滞后滚动特征（比如价格的3/5/10日均值滞后1天、成交量的7日标准差滞后2天），硬写多行 shift().rolling() 易出错、难维护。用 FunctionTransformer 把逻辑包装成可复用的转换器，能直接塞进 Pipeline，训练/预测时自动对齐。
注意：必须设 validate=False，否则它会强制检查输入是否二维数组，而 rolling 操作天然作用于 Series；另外函数内部要显式处理 NaN 填充逻辑，因为滚动窗口初期必然缺失值。
立即学习“Python免费学习笔记（深入）”；
- 示例函数体：
lambda x: x.shift(1).rolling(5, min_periods=3).mean().fillna(method='ffill') - 传入
FunctionTransformer时加参数：validate=False，否则报ValueError: Expected 2D array, got 1D array - 若用于时间序列交叉验证（如
TimeSeriesSplit），确保该 transformer 不会向未来泄漏——它只依赖历史，这点安全
警惕 rolling() 的 min_periods 和时序对齐陷阱
rolling(5) 默认要求窗口内至少5个非空值才输出结果，前4行全为 NaN。但实际业务中，可能希望只要凑够3个就计算（比如刚上市股票数据少），这时必须显式设 min_periods=3。更隐蔽的问题是：如果原始时间索引有跳空（比如跳过周末或停牌日），rolling(5) 仍按行数算，不是按自然日数——它数的是“最近5行”，而非“最近5个交易日”。
- 解决跳空问题：先用
asfreq('D')或reindex()补齐日期索引，再rolling('5D')（字符串窗口）——但注意这要求索引是DatetimeIndex且无重复 -
rolling(5, min_periods=1)会让第一行就出值（单点均值），但要注意这和后续窗口统计口径不一致，模型可能学偏 - 使用
closed='left'可显式指定窗口不包含右边界（即当前行），配合shift()更易理解，但非必需
性能敏感时，避免在循环里反复调用 rolling
如果你在一个 for 循环里，每轮都对同一列做不同窗口大小的 rolling().mean()（比如网格搜索 n=3,5,7,10），pandas 会重复扫描数据，O(N×k) 复杂度。换成 numpy.lib.stride_tricks.sliding_window_view（Python 3.9+）一次切好所有窗口，再用向量化操作，快一个数量级。
不过要注意：sliding_window_view 返回的是视图，内存友好，但它不处理 NaN，也不支持 min_periods，得自己写聚合逻辑；另外它不能直接替代带时间偏移的场景（比如先 shift 再滚动），得手动调整切片起始位置。
- 基础用法：
from numpy.lib.stride_tricks import sliding_window_view; windows = sliding_window_view(df['price'], window_shape=5) - 然后
np.mean(windows, axis=1)得到5日均值数组，长度比原数组少4，天然对应“滞后”效果（因最后窗口末尾对齐原数组倒数第5个元素） - 若需滞后k步，可对结果再
np.pad前补k个np.nan，或切片时用windows[:-k]控制对齐
真正麻烦的从来不是写一行 shift().rolling()，而是确认这个“滞后窗口”在业务时间线上是否真的指代你想表达的那个意思——比如“过去5个交易日均值，且不包含今天”，这句话在代码里要拆解成索引对齐、空值策略、窗口定义三个动作，漏掉任一环，特征就悄悄漂移了。
