简化加权移动平均计算：移除.v.to_numpy()直接获取NumPy数组的可行性

当然可以简化这段代码！你遇到的问题是因为对多列DataFrame调用rolling.apply时，pandas会把函数返回的标量广播到所有列，导致结果是一个所有列内容重复的DataFrame。这里有几个实用的方法可以直接拿到NumPy数组，省去.v.to_numpy()的步骤：

方法1：直接提取结果数组的第一列（不依赖列名） #

这种方法最简单，不需要修改原有逻辑，只是把依赖列名的.v.to_numpy()换成更通用的数组索引方式，代码更健壮（就算以后列名变更也不用调整）：

accs = (pd.DataFrame({'v': values[start_index:], 'w': weights[start_index:]})
        .rolling(window=window_len, min_periods=1, method='table')
        .apply(weighted_mean, engine='numba', raw=True)
        .to_numpy()[:, 0][a:b])

.to_numpy()把DataFrame转成二维NumPy数组，[:, 0]取第一列的结果（因为所有列都相同，取任意一列都可以），最后再执行切片[a:b]。

方法2：提前打包数据，让rolling直接返回Series #

如果想从根源避免生成多列DataFrame，可以把v和w打包成单个Series的元素，这样rolling.apply的结果会是一个Series而非DataFrame，直接转NumPy数组即可：

# 把v和w组合成二维数组，再转成Series（每个元素是[v, w]的数组）
combined_data = pd.Series(np.column_stack([values[start_index:], weights[start_index:]]).tolist())

accs = (combined_data.rolling(window=window_len, min_periods=1, method='table')
        .apply(lambda window: weighted_mean(np.vstack(window)), engine='numba', raw=True)
        .to_numpy()[a:b])

这里np.vstack(window)会把窗口内的[v,w]元素重新拼成(window_len, 2)的二维数组，和原来weighted_mean接收的输入格式完全一致，不需要修改你的加权平均函数。

额外提示：关于numba引擎的小细节 #

因为你用了engine='numba'和raw=True，这已经是效率很高的写法——numba会编译你的weighted_mean函数，避免pandas对象的额外开销。上面两种方法都能保留这个效率优势，不会影响计算速度。

备注：内容来源于stack exchange，提问作者clime