如何在Pandas中计算跨所有列的滚动窗口标准差？

要实现每个滚动窗口内所有列数据的整体标准差，而非按列单独计算，可借助Pandas的rolling().apply()方法，自定义窗口处理逻辑：

具体实现步骤 #

1. 定义自定义函数，将滚动窗口内的所有数据展平为一维数组，再计算标准差；
2. 将该函数传入rolling().apply()完成计算。

示例代码 #

import pandas as pd
import numpy as np

# 示例数据
df = pd.DataFrame({'col1': [1,2,3,4,5,6], 'col2': [-1,-2,-3,-4,-5,-6], 'col3': [1,2,3,4,5,6]})

# 自定义窗口处理函数：展平数据并计算总体标准差（与np.std默认行为一致）
def calculate_window_std(window):
    flat_data = window.values.flatten()
    # 若需要样本标准差（与pandas.std默认逻辑一致），将ddof参数设为1即可
    return np.std(flat_data, ddof=0)

# 设置窗口大小并执行计算
window_size = 2
rolling_std = df.rolling(window=window_size).apply(calculate_window_std)

# 查看结果
print(rolling_std)

结果说明 #

• 窗口大小为2时，索引1对应的结果是行0、行1所有6个值的标准差（即np.std([1,-1,1,2,-2,2], ddof=0)的结果1.5）；
• 索引2对应的结果是行1、行2所有6个值的标准差，后续行以此类推。

原生rolling().std()的局限性 #

原生方法是按列独立计算每个窗口内该列数据的标准差，无法直接实现跨列的全量数据标准差计算，因此需要自定义apply逻辑来满足需求。

内容的提问来源于stack exchange，提问作者W. Walter