为何Pandas中Series的rolling mean返回NaN？附代码与输出

嘿，我一眼就揪出问题所在了——你的df_train和y_hat_avg的索引完全不匹配！

先看输出里的关键细节：

• df_train.head()展示的是2014年4月1日的日期数据
• 但y_hat_avg.head()的日期却是2014年8月1日

当你执行这条代码时：

y_hat_avg['moving_avg_forecast'] = df_train['pickups'].rolling(1).mean()

df_train['pickups'].rolling(1).mean()生成的是一个和df_train同索引（4月日期）的Series，而你把它赋值给索引是8月日期的y_hat_avg，Pandas找不到任何匹配的索引项，自然只能填充NaN。而.mean()返回的是一个标量值，赋值给整个列时不需要索引匹配，所以能正常显示。

解决办法 #

根据你的需求，有两种常见处理路径：

1. 对y_hat_avg自身的pickups列计算滚动均值

如果你的目标是基于y_hat_avg里的现有数据计算滚动平均，直接操作它自己的列即可：

y_hat_avg['moving_avg_forecast'] = y_hat_avg['pickups'].rolling(1).mean()

（不过窗口设为1的话，滚动均值其实等于原数据，你大概率是想用更大的窗口，比如按小时滚动设rolling(24)，按天滚动设rolling(7)这类合理的窗口值）

2. 用df_train的滚动均值填充y_hat_avg（需索引对齐）

如果你确实需要把df_train的滚动均值结果放到y_hat_avg里，得先对齐两个数据集的索引：

import numpy as np

# 先计算df_train的滚动均值
train_rolling_mean = df_train['pickups'].rolling(1).mean()
# 重新索引适配y_hat_avg的日期范围，缺失值可按需填充（比如ffill/bfill或指定值）
y_hat_avg['moving_avg_forecast'] = train_rolling_mean.reindex(y_hat_avg.index, fill_value=np.nan)

不过要注意：因为df_train和y_hat_avg的日期范围完全不重叠，即使对齐后还是会得到NaN，所以你可能需要重新梳理数据逻辑——是不是应该基于y_hat_avg的历史数据做滚动预测，或者数据拆分/索引处理环节出了问题？

快速验证方法 #

你可以先检查两个DataFrame的索引是否有交集：

print(df_train.index.intersection(y_hat_avg.index))

如果输出是空的，就坐实了两个数据集索引完全不匹配，这正是NaN出现的核心原因。

内容的提问来源于stack exchange，提问作者Alex Kornakov