如何快速实现DataFrame相邻行滚动求和？替代低效Python循环方案

你当前通过Python循环实现DataFrame相邻行（含当前行前后各forecast行）求和的方式，在数据量大时速度会明显受限。可以利用Pandas的矢量化操作替代循环，大幅提升效率，以下是两种最优方案：

原实现代码 #

import pandas as pd

dictionary = {
    'In':[1,2,3,4,5,6,7,8,9,10,11,12,13,14,15]
}

df = pd.DataFrame(dictionary)

forecast = 1
temp = []
for i in range(len(df["In"])):
    temp = temp + [sum(df["In"][i - forecast : i + forecast + 1])]

df["Out"] = temp

df["Out"][:forecast] = None
df["Out"][-forecast:] = None

print(df)

方案一：滚动窗口求和（Rolling Sum） #

利用rolling()方法创建大小为2*forecast+1的滑动窗口，直接计算窗口内的和，这是Pandas中处理这类滑动聚合的标准高效方式：

import pandas as pd

dictionary = {
    'In':[1,2,3,4,5,6,7,8,9,10,11,12,13,14,15]
}
df = pd.DataFrame(dictionary)
forecast = 1

# 计算滚动窗口和，窗口大小=前后各forecast行+当前行
window_size = 2 * forecast + 1
df['Out'] = df['In'].rolling(window=window_size, center=True).sum()

print(df)

• center=True：将窗口的中心对齐到当前行，刚好对应你需求的i-forecast到i+forecast的范围
• 首尾无法形成完整窗口的行自动填充NaN，无需手动赋值，和原代码结果完全一致

方案二：移位相加（Shift + Sum） #

如果需要更灵活的控制，可以通过shift()方法分别获取前后forecast行的数据，再与当前行求和：

import pandas as pd

dictionary = {
    'In':[1,2,3,4,5,6,7,8,9,10,11,12,13,14,15]
}
df = pd.DataFrame(dictionary)
forecast = 1

# 取前forecast行、当前行、后forecast行相加
df['Out'] = df['In'].shift(-forecast) + df['In'] + df['In'].shift(forecast)

# 首尾forecast行手动设为NaN（移位后首尾会自动出现NaN，此步骤可省略）
df.loc[:forecast-1, 'Out'] = None
df.loc[-forecast:, 'Out'] = None

print(df)

这种方法在窗口逻辑复杂时更易调整，同样是矢量化操作，效率远高于循环。

效率对比 #

对于100万行的DataFrame，循环方法需要数十秒，而上述两种矢量化方法仅需毫秒级即可完成计算，差距非常明显。

内容的提问来源于stack exchange，提问作者Adrian