已按月聚合Pandas时间序列，如何高效实现6个月滚动均值？

针对你的需求，有两种更简洁的实现方式，取决于你想要的是月度均值的6个月滚动平均还是基于原始数据的6个月滚动窗口均值（按月度对齐）：

方式一：先计算月度均值，再做6个月滚动平均 #

这是最贴合你原始需求的方案——先得到每个月的价格均值，再对这些月度数据做6期滚动平均（覆盖过去6个月的均值）：

import pandas as pd

# 1. 计算月度均值
monthly_mean = df.groupby(pd.Grouper(key='transaction_date', freq='M')).agg(
    transaction_date=('transaction_date', 'first'),
    price_mean=('price', 'mean')
).reset_index(drop=True)

# 2. 对月度均值做6个月滚动平均
monthly_mean['price_rolling_6M'] = monthly_mean['price_mean'].rolling(window=6, min_periods=1).mean()

这里window=6对应6个月度周期，min_periods=1保证即使不足6个月的开头数据也能计算均值（可根据需求调整）。

方式二：直接基于原始数据计算6个月滚动窗口均值（按月度对齐） #

如果你想要的是每个时间点（或每个月）对应的过去6个月所有原始数据的均值，可以直接用rolling结合时间窗口参数'6M'，无需先按天/月聚合：

import pandas as pd

# 设置datetime索引并排序
df = df.set_index('transaction_date').sort_index()

# 计算6个月滚动均值，按月度对齐输出结果
rolling_6M = df['price'].rolling(window='6M').mean().resample('M').last()

你之前尝试中的问题说明 #

1. 使用timedelta(days=1)作为rolling窗口报错：因为用时间偏移量作为窗口时，需确保索引是datetime类型，且建议使用pd.Timedelta(days=1)而非Python内置的timedelta对象。
2. 最后一段可行代码的逻辑瑕疵：df['price'].rolling(window=180)是对原始数据做180天滚动，而非聚合后的日度均值，且固定天数不如'6M'时间窗口准确（不同月份天数存在差异）。

内容的提问来源于stack exchange，提问作者user2138149