如何高效基于pandas DataFrame某列30天滚动均值生成新列？

你的循环方案效率低的核心原因是逐行遍历计算，而pandas内置的rolling方法是矢量化实现，底层用C优化，能大幅提升计算速度，同时完美处理边界情况。

匹配原逻辑的实现 #

你的代码逻辑是：每行存储从当前行开始往后30天（含当前行）的成交量均值，仅当后续有足够30条数据时计算，否则留空NaN。对应代码：

import pandas as pd

# 计算窗口大小30的滚动均值，然后平移29位匹配原逻辑
DF['mean_a_volume'] = DF['a_volume'].rolling(window=30, min_periods=30).mean().shift(-29)

关键参数说明

• window=30：指定滚动窗口包含30条数据
• min_periods=30：要求窗口内必须有30条有效数据才计算均值，否则返回NaN，自动处理最后29行的边界情况
• .shift(-29)：默认rolling.mean()是计算当前行及之前29行的均值（窗口结束于当前行），平移-29位后，就把"当前行到后29行"的均值放到当前行，和你的循环逻辑完全一致

常见股票场景优化（如果需求是"过去30天均值"） #

如果你的实际需求是当前行及之前29天的历史成交量均值（股票分析更常用的逻辑），不需要平移，直接用：

DF['mean_a_volume'] = DF['a_volume'].rolling(window=30, min_periods=30).mean()

此时前29行因数据不足会返回NaN，从第30条数据开始正常计算均值。

为什么比你的方案高效 #

• 避免了循环中的多次切片和逐行赋值，矢量化操作的时间复杂度远低于O(n)级别的循环
• 底层依赖pandas/NumPy的C扩展实现，计算速度是纯Python循环的几十到上百倍，数据量越大优势越明显

内容的提问来源于stack exchange，提问作者zbpb09