如何在Pandas中计算Series的滚动半方差与滚动半标准差

原代码报错原因 #

原有代码触发错误的核心原因有两点：

• x.rolling(window)返回的是Rolling类型对象，本身不存储具体计算值，不能直接和Series类型的rol_mean做大小比较，会触发类型不匹配错误
• Rolling对象不支持直接传入布尔序列做方括号索引，索引操作会触发内部取columns属性的逻辑，而Series对象没有columns属性，因此报对应属性错误。

向量化实现（性能最优） #

核心逻辑：先逐元素过滤掉不符合条件的值（不满足条件的置为NaN），由于Pandas滚动计算默认自动跳过NaN值，直接调用滚动标准差/方差方法即可得到结果，全程用Pandas内置向量化运算，执行效率最高。
完整代码如下：

# 计算标的收益率
x = stock_prices.pct_change()
window = 10

# 第一步：计算每个滚动窗口的均值，和原序列索引完全对齐
rol_mean = x.rolling(window=window).mean()

# 第二步：过滤序列，仅保留小于对应窗口均值的数值，其余置为NaN
x_filtered = x.where(x < rol_mean)

# 第三步：对过滤后的序列做滚动计算，自动跳过NaN值
# 滚动半标准差
rol_sem_std = x_filtered.rolling(window=window).std()
# 滚动半方差，把std()替换为var()即可
rol_sem_var = x_filtered.rolling(window=window).var()

说明：该方案和原生rolling().std()的逻辑完全对齐，支持所有原生参数配置，比如要调整标准差自由度、窗口最小有效观测数，直接在std()/var()内传参即可，例如std(ddof=0, min_periods=5)代表计算总体标准差、窗口内至少5个有效值才返回计算结果。

自定义函数实现（适配复杂规则） #

如果后续需要更复杂的窗口内筛选逻辑，可以用rolling.apply自定义计算规则，代码可读性更强但性能略低于向量化方案：

import numpy as np

def calc_semi_std(window_arr):
    window_mean = window_arr.mean()
    # 筛选窗口内小于均值的有效值
    valid_vals = window_arr[window_arr < window_mean]
    # 有效值不足2个时返回NaN（标准差计算至少需要2个样本）
    if len(valid_vals) < 2:
        return np.nan
    return valid_vals.std(ddof=1)

rol_sem_std = x.rolling(window=window).apply(calc_semi_std, raw=True)

内容的提问来源于stack exchange，提问作者MedvidekPu