本文介绍如何用 numpy 和 pandas 实现灵活、高效的移动平均函数，支持任意窗口大小配置，避免硬编码索引，显著提升性能与可维护性。
本文介绍如何用 numpy 和 pandas 实现灵活、高效的移动平均函数，支持任意窗口大小配置，避免硬编码索引，显著提升性能与可维护性。
在信号处理、时间序列分析和数据平滑任务中，移动平均是一种基础而关键的滤波技术。原始实现中将窗口大小（如 12）硬编码在索引相加表达式中，不仅难以复用，还极易出错且无法扩展。更专业、更高效的做法是利用 NumPy 的切片（arr[i:i+n]）和内置聚合函数（如 np.average 或 np.mean），将窗口长度抽象为参数 n，实现通用化设计。
以下是优化后的移动平均函数：
import numpy as np
import pandas as pd
def movingAverageR(data: pd.DataFrame, n: int = 12) -> np.ndarray:
"""
计算一维数据的简单移动平均（SMA），返回长度为 len(data)-n+1 的数组。
Parameters:
-----------
data : pd.DataFrame (单列) 或 pd.Series
输入数据，将被转换为 NumPy 数组
n : int
移动平均窗口大小（必须 ≥ 1）
Returns:
--------
np.ndarray
滤波后的结果数组，长度为 len(data) - n + 1
"""
if n < 1:
raise ValueError("窗口大小 n 必须大于等于 1")
na = data.to_numpy().flatten() # 确保为一维数组，兼容单列 DataFrame/Series
if len(na) < n:
return np.array([]) # 数据不足时返回空数组
result = np.empty(len(na) - n + 1)
for i in range(len(result)):
result[i] = np.mean(na[i:i+n]) # 推荐使用 np.mean（比 np.average 更轻量，无权重默认行为）
return result
# 示例使用
df = pd.DataFrame({"value": list(range(25))})
filtered = movingAverageR(df, n=12)
print(filtered)
# 输出: [ 5.5 6.5 7.5 8.5 9.5 10.5 11.5 12.5 13.5 14.5 15.5 16.5 17.5]
⚠️ 重要注意事项：
- 原始代码中 range(len(data)-11) 实际对应窗口长度为 12（索引 i 到 i+11 共 12 个元素），但逻辑易混淆；优化版统一用 n 明确语义，并将循环范围设为 len(na)-n+1，确保输出长度正确（标准定义下，n 点移动平均输出长度为 N−n+1）。
- 避免在循环内反复调用 np.append() —— 它每次都会创建新数组，时间复杂度为 O(k²)，大幅拖慢性能。改用预分配 np.empty() 并直接赋值，将时间复杂度降至 O(N)。
- 若需更高性能（尤其大数据集），推荐使用 scipy.signal.convolve 或 numpy.lib.stride_tricks.sliding_window_view（NumPy ≥ 1.20）：
# 更高性能替代方案（推荐用于生产环境） from numpy.lib.stride_tricks import sliding_window_view def movingAverageFast(data, n=12): na = np.asarray(data).flatten() if len(na) < n: return np.array([]) windows = sliding_window_view(na, window_shape=n) return np.mean(windows, axis=1)
总结：通过参数化窗口大小、利用数组切片、预分配结果内存及选用合适聚合函数，我们构建了一个健壮、清晰且可扩展的移动平均工具。这不仅是代码风格的改进，更是工程实践中可维护性与性能意识的体现。
