为Pandas滚动均值自定义对称加权窗口类型的实现方法

这个需求很常见！Pandas自带的窗口类型确实没法直接实现这种自定义的对称加权逻辑，但我们可以用rolling.apply()方法来轻松搞定，下面是具体的实现方案：

直接实现自定义加权函数 #

首先，我们可以针对你需要的权重[1/6, 2/6, 2/6, 1/6]，写一个专门的加权计算函数，然后通过rolling.apply()把它应用到滚动窗口上：

import pandas as pd

# 生成测试数据
rs = pd.Series(range(10))

# 定义自定义加权均值函数
def symmetric_weighted_mean(window):
    # 对应公式：(a + 2*b + 2*c + d)/6
    return (window[0] + 2 * window[1] + 2 * window[2] + window[3]) / 6

# 应用滚动窗口计算，raw=True提升处理效率（传递numpy数组而非Series）
custom_result = rs.rolling(window=4).apply(symmetric_weighted_mean, raw=True)

print(custom_result)

运行这段代码后，输出结果为：

0         NaN
1         NaN
2         NaN
3    1.500000
4    2.500000
5    3.500000
6    4.500000
7    5.500000
8    6.500000
9    7.500000
dtype: float64

你会发现用range(10)测试时，结果和boxcar窗口的均值一致——这是因为连续整数的对称加权和均等加权刚好巧合相等。如果换一组非连续的数据，比如pd.Series([1,2,4,8,16,32])，就能看到明显差异：

• 自定义加权结果：NaN, NaN, NaN, 3.5, 8.166667, 18.333333
• Boxcar窗口结果：NaN, NaN, NaN, 3.75, 7.5, 15.0

更通用的实现方式 #

如果以后需要调整权重，我们可以写一个更通用的函数，通过functools.partial来传入权重参数，这样扩展性更强：

import pandas as pd
from functools import partial

def weighted_mean(window, weights):
    # 通用加权均值计算：(窗口元素 * 权重)的和 / 权重总和
    return (window * weights).sum() / sum(weights)

# 定义你的对称权重
target_weights = [1, 2, 2, 1]
# 包装成带固定权重的函数
custom_weighted_func = partial(weighted_mean, weights=target_weights)

rs = pd.Series([1,2,4,8,16,32])
result = rs.rolling(window=4).apply(custom_weighted_func, raw=True)
print(result)

为什么不用自定义win_type？ #

Pandas的win_type参数依赖Scipy的窗口函数API，要自定义窗口类型需要注册新的窗口类，步骤相对繁琐。而rolling.apply()的方式更直观灵活，能快速实现任何自定义的滚动计算逻辑，适合这类小众的加权需求。

内容的提问来源于stack exchange，提问作者Tanmay