Python循环中DataFrame滚动均值的高效计算方案问询

场景1：仅计算滚动均值（无其他列依赖） #

如果你的需求只是生成示例中的滚动均值列，完全不需要循环，直接用pandas的向量化滚动操作即可，这是性能最优的方式：

import pandas as pd

# 构造示例数据
df = pd.DataFrame({
    'Minute': [1, 2, 3, 4, 5, 6],
    'Value': [3, 5, 8, 4, 6, 7]
})

n_periods = 3
# 计算窗口为3的滚动均值，min_periods=1保证窗口不足时也能计算（后续覆盖前两行）
df['Rolling Mean'] = df['Value'].rolling(n_periods, min_periods=1).mean(skipna=False)
# 将前n_periods-1行的均值设为0，匹配示例要求
df.loc[:n_periods-2, 'Rolling Mean'] = 0

运行后结果与示例完全一致，向量化操作的速度远快于循环，即使处理数十万行数据也能瞬间完成。

场景2：多列彼此依赖，必须逐行计算 #

如果业务逻辑中，滚动均值或其他指标依赖于之前行的计算结果（比如当前行的指标会影响下一行的滚动均值），此时需要逐行循环，但可以通过递推公式优化计算，避免重复遍历窗口内元素：

滚动均值的递推逻辑：维护一个窗口内的数值总和，每次仅需加减当前值和窗口最左侧的旧值，无需重新计算整个窗口的均值：

import pandas as pd

df = pd.DataFrame({
    'Minute': [1, 2, 3, 4, 5, 6],
    'Value': [3, 5, 8, 4, 6, 7]
})

n_periods = 3
df['Rolling Mean'] = 0.0

window_sum = 0  # 维护窗口内的数值总和
for i in range(len(df)):
    current_val = df.at[i, 'Value']
    window_sum += current_val
    
    # 当窗口长度超过n_periods时，减去窗口最左侧的旧值
    if i >= n_periods:
        window_sum -= df.at[i - n_periods, 'Value']
    
    # 仅当窗口长度达标时计算均值，否则保持0
    if i >= n_periods - 1:
        df.at[i, 'Rolling Mean'] = window_sum / n_periods

这种循环每次仅做O(1)计算，相比你之前每次循环调用rolling（O(n)复杂度），性能提升非常明显，处理数千行数据毫无压力。

为什么你原来的逐行代码无法运行 #

你尝试的df.at[i, 'Value'].rolling(...)会报错，因为df.at[i, 'Value']返回的是单个标量值，而rolling方法只能作用于Series或DataFrame，不能作用于标量。

内容的提问来源于stack exchange，提问作者PythonNoob