Pandas 0.20.3中如何实现自定义权重的滚动计算？

你说得没错，pd.rolling_window早在Pandas 0.18版本就被标记为弃用，到0.20.3的时候已经彻底从库中移除了，所以现在得换用新的方式来实现你要的自定义权重滚动计算。下面我给你两种靠谱的解决方案，完全匹配你原来的需求：

方法1：用rolling.apply()自定义加权逻辑 #

这种方法最直观，完美复刻你原来的代码行为：

import pandas as pd
import numpy as np

# 初始化你的时间序列
ser = pd.Series([1,1,1], index=pd.date_range('1/1/2000', periods=3))
weights = [2,2,2]  # 你的自定义权重数组

# 实现加权求和（对应原代码mean=False的情况）
def weighted_sum(window):
    # 窗口长度不足时返回NaN，和原方法行为一致
    if len(window) != len(weights):
        return np.nan
    return np.dot(window, weights)

rm1 = ser.rolling(window=len(weights)).apply(weighted_sum, raw=True)
print(rm1)
# 输出和原rm1一致：
# 2000-01-01    NaN
# 2000-01-02    NaN
# 2000-01-03    6.0
# Freq: D, dtype: float64

# 实现加权均值（对应原代码mean=True的情况）
def weighted_mean(window):
    if len(window) != len(weights):
        return np.nan
    # 加权和除以权重总和得到均值
    return np.dot(window, weights) / np.sum(weights)

rm2 = ser.rolling(window=len(weights)).apply(weighted_mean, raw=True)
print(rm2)
# 输出和原rm2一致：
# 2000-01-01    NaN
# 2000-01-02    NaN
# 2000-01-03    1.0
# Freq: D, dtype: float64

这里的raw=True很重要，它让传入window的是NumPy数组而非Pandas Series，能大幅提升计算效率，尤其是处理大数据集的时候。

方法2：用NumPy卷积实现（更高性能） #

如果你的数据量比较大，卷积的方式会比apply()快很多——毕竟是向量化操作，避免了逐窗口的循环计算：

import pandas as pd
import numpy as np

ser = pd.Series([1,1,1], index=pd.date_range('1/1/2000', periods=3))
weights = [2,2,2]

# 计算加权求和
conv_sum = np.convolve(ser, weights[::-1], mode='valid')
# 生成结果Series，前面补NaN对齐原索引
rm1_conv = pd.Series(
    [np.nan]*(len(ser)-len(conv_sum)) + list(conv_sum),
    index=ser.index
)
print(rm1_conv)

# 计算加权均值
conv_mean = conv_sum / np.sum(weights)
rm2_conv = pd.Series(
    [np.nan]*(len(ser)-len(conv_mean)) + list(conv_mean),
    index=ser.index
)
print(rm2_conv)

这里需要注意两个点：

• weights[::-1]是把权重数组反转，因为卷积的计算顺序是反向匹配窗口元素的，不反转的话结果会不符合你的预期；
• mode='valid'表示只保留窗口完全覆盖的结果，和原rolling_window中前面窗口返回NaN的行为一致。

额外说明 #

• 原pd.rolling_window传入数组作为window时，本质就是指定窗口内每个元素的权重；而新的rolling对象的window参数只能是窗口长度（整数），所以必须通过自定义函数或卷积来应用权重。
• 如果你的权重是动态变化的（比如每个窗口用不同的权重数组），那只能用方法1；如果权重固定，方法2的性能优势会非常明显。

内容的提问来源于stack exchange，提问作者Make42