滚动窗口计算前必须设置并排序时间索引，否则按行号滚动导致跨节假日错误；应转为DatetimeIndex、用asfreq('B')对齐交易日，rolling(20)需确保数据仅含交易日，配合min_periods控制起始NaN，并显式处理结果中的NaN以保证索引对齐。
滚动窗口计算前必须处理好时间索引
直接对未设置时间索引的 DataFrame 调用 rolling()，结果会按行号而非交易日滚动，导致跨周末、节假日的数据被错误纳入窗口——比如周五和下周一之间本该有缺口，但默认滚动会把它们连起来算。
正确做法是先确保 date 列转为 DatetimeIndex，并用 sort_index() 排序：
df = df.set_index('date').sort_index()
df.index = pd.to_datetime(df.index)如果数据含非交易日（如周末），可选是否填充：asfreq('D') 会补全每日，但需配合 method='ffill' 或留 NaN；更稳妥的是用 asfreq('B')（仅工作日），避免引入无效日期。
选择 window 参数时要区分 calendar day 和 trading day
rolling(5) 默认按行数滚动，不是 5 个交易日；若索引是 DatetimeIndex，可用 rolling('5D') 表示日历日，但股票分析中更常用的是交易日窗口，比如“过去 20 个交易日的均值”。
立即学习“Python免费学习笔记（深入）”；
- 用
rolling('20D')：包含所有日历日，周末也算在内 → 错误 - 用
rolling(20)+ 已按交易日排序的索引：正确，前提是数据本身只含交易日 - 更健壮的做法：先用
df.resample('B').first()重采样为标准交易日频率，再rolling(20)
常见错误是直接写 df['close'].rolling(20).mean() 却没确认数据是否已剔除非交易日——结果可能少算或错算窗口长度。
使用 min_periods 控制 NaN 的生成逻辑
新窗口刚开始时，数据不足指定长度，默认返回 NaN。例如 rolling(20) 前 19 行全是 NaN，但有时你希望前 5 天就给出均值（哪怕只有 5 个点）。
微软官方的 Python 扩展，是 VS Code 安装量最高的扩展（209M+）。集成 IntelliSense（通过 Pylance）、调试（通过 Python Debugger）、代码检查、格式化、重构和单元测试等功能。支持 Jupyter Notebook、虚拟环境管理和多 Python 版本切换。
这时必须显式设置 min_periods：
df['ma_20'] = df['close'].rolling(20, min_periods=1).mean()
注意：min_periods=1 不代表从第 1 行开始就有值——它只表示“只要至少有 1 个有效值就计算”，但如果窗口内全是 NaN，结果仍是 NaN。实际中建议设为 min_periods=int(0.5 * window) 之类的经验值，避免过早噪声。
滚动计算后记得 dropna 或对齐原始索引
rolling().mean() 返回的 Series 长度与原 DataFrame 相同，但开头若干项是 NaN。如果后续要做 merge 或绘图，容易因 NaN 导致对齐错位或报错。
典型问题场景：用 rolling(60) 算波动率后，想和原始价格画在同一张图上，却发现 y 轴数据长度不一致——其实是 NaN 没被显式处理。
- 保留全部行（推荐）：
df['vol_60'] = df['return'].rolling(60).std(ddof=0)，不做截断 - 只取有效行：
df.dropna(subset=['vol_60'])，但会丢失原始索引信息 - 最安全的对齐方式：
df.assign(vol_60=df['return'].rolling(60).std()).dropna(subset=['vol_60'])
真正容易被忽略的是：不同列的滚动窗口可能用了不同 min_periods 或缺失值处理逻辑，合并时索引看似一样，但底层 NaN 分布不一致——务必用 df.index.equals(other.index) 显式校验。
