使用Pandas rolling-apply计算滚动指数加权相关性报错解决

错误原因 #

你遇到的DataError: No numeric types to aggregate，核心问题是Pandas的rolling.apply默认会把多列窗口数据压成一维数组传给自定义函数，而非保留DataFrame格式。你的_corr_single_window_函数是针对DataFrame写的逻辑，但实际传入的是一维数组，调用mul和corr方法自然会出错——数组没有这些DataFrame专属方法，最终导致类型聚合失败。

解决步骤 #

1. 给rolling.apply加raw=False参数：这个参数会让Pandas把窗口数据以DataFrame对象传递给自定义函数，而非展平成数组，这样你的函数逻辑就能正常运行。
2. 权重匹配验证：你基于最大窗口长度生成权重，当窗口长度小于设定值时，取w[-df_win.shape[0]:]的逻辑是对的，能适配min_periods带来的短窗口场景。

修正后的代码 #

import pandas as pd
import numpy as np

n_obs = 10000
window = 260
min_obs = 130
halflife = 130

# 创建测试数据
df = pd.DataFrame(np.random.rand(n_obs, 2), columns=['A', 'B'])

# 基于最大窗口长度初始化权重
w = 0.5**((window - np.arange(window) - 1)/(halflife - 1))

# 单窗口加权相关计算函数
def _corr_single_window_(df_win):
    # 匹配当前窗口长度的权重
    current_weights = w[-df_win.shape[0]:]
    # 加权后计算相关性
    weighted_df = df_win.mul(current_weights, axis=0)
    return weighted_df.corr().iloc[0, 1]

# 关键：添加raw=False参数
result = df.rolling(window=window, min_periods=min_obs, raw=False).apply(_corr_single_window_)
print(result.head())

可选优化：动态生成权重 #

如果不想依赖固定的window值生成权重，可以把权重计算移到函数内部，根据当前窗口长度动态生成，灵活性更强：

def _corr_single_window_(df_win):
    win_len = df_win.shape[0]
    # 按当前窗口长度生成半衰权，最新观测权重为1，往前依次衰减
    current_weights = 0.5**((win_len - np.arange(win_len) - 1)/(halflife - 1))
    weighted_df = df_win.mul(current_weights, axis=0)
    return weighted_df.corr().iloc[0, 1]

# 同样需要raw=False参数
result = df.rolling(window=window, min_periods=min_obs, raw=False).apply(_corr_single_window_)

内容的提问来源于stack exchange，提问作者data-monkey