pandas.Series.ewm在千万级数据上变慢，因其默认保留完整窗口历史、隐式拷贝、类型推断及每次调用都重算全部权重；而numba.jit单次遍历仅维护一个状态变量，O(1)空间、O(n)时间，支持dtype控制与cache复用。
直接用 numpy 手写循环或调用 pandas.Series.ewm 都可能在千万级数据上卡住——关键不在“怎么算”，而在“不把中间结果全存下来”和“避免 Python 层循环”。
为什么 pandas.Series.ewm 在大数据上变慢？
它默认保留完整窗口历史，且底层会做隐式拷贝和类型推断；当 span 或 alpha 动态变化、或你只需要最终值而非整个序列时，开销完全不必要。
- 每调用一次
.mean()，pandas实际执行了完整指数衰减权重生成 + 点积，即使你只要最后一个值 -
min_periods设得小，但内部仍为每个位置检查前序有效计数，带来额外分支判断 - 若原始数据是
float32，pandas默认升格为float64，内存翻倍、缓存不友好
用 numba.jit 写单次遍历的指数平滑
核心是只维护一个状态变量 smoothed，边读边更新，O(1) 空间、O(n) 时间，且可指定 dtype 严格控制精度与内存。
@njit(fastmath=True)
def ewma_inplace(arr, alpha, out):
smoothed = arr[0]
out[0] = smoothed
for i in range(1, len(arr)):
smoothed = alpha * arr[i] + (1 - alpha) * smoothed
out[i] = smoothed
-
alpha必须是标量（不支持数组变化），对应公式y[t] = α·x[t] + (1−α)·y[t−1] - 输入
arr和输出out均需是numpy.ndarray且 dtype 一致（推荐np.float32节省 50% 内存） - 首次运行有编译开销，但后续调用比纯 Python 快 80 倍以上；加
cache=True可复用编译结果
移动加权平均：用 numpy.convolve 还是手写滑动窗口？
如果权重固定（如三角窗、自定义衰减向量），numpy.convolve 简洁安全；但如果窗口超大（>10k）、或需在线流式处理，则必须手写环形缓冲区，否则内存爆炸。
立即学习“Python免费学习笔记（深入）”；
- 用
convolve：权重向量w长度为L，则np.convolve(arr, w, 'valid')输出长度为len(arr)−L+1，且自动补零——注意首尾无填充时结果偏移 - 手写滑动窗口：用
collections.deque(maxlen=L)存最近L个值，每次 pop+append+点积，适合实时场景，但 Python 层循环在L > 100时明显拖慢 - 真正高效的做法：用
numba实现带步长的滑动点积，避免构造中间子数组，例如对每个i计算sum(w[j] * arr[i+j] for j in range(L))，并用prange并行
最易被忽略的是数值稳定性：alpha 接近 0 时，(1−alpha) 多次连乘会因浮点误差累积漂移；实际中建议用 np.nextafter 校验，或改用双精度中间变量——但代价是内存和缓存性能。别只盯着算法复杂度，内存访问模式往往才是瓶颈。
