移动窗口计算是对时间序列或任意连续数据，在指定窗口大小内做统计操作的方法，课程用序列或数据框的 rolling() 实现。窗口内可进行求和、平均值、最大值、最小值等统计，通常用于时间序列分析中的平滑处理、趋势分析或噪声过滤。参数 window 指定滚动窗口的大小，即每次计算时包含的连续数据点个数。rolling() 本身只创建一个滚动窗口对象，随后再对该对象的每个子集执行聚合，如 .max()、.min()、.mean()、.sum()。
课程示例先用 pd.date_range('2024-09-01', periods=7, freq='D') 生成连续 7 天日期作为数据框行标签，温度列为 [30, 32, 31, 29, 28, 27, 26]，再计算 3 天窗口统计：
import pandas as pd
dates = pd.date_range('2024-09-01', periods=7, freq='D')
df = pd.DataFrame({'温度': [30, 32, 31, 29, 28, 27, 26]}, index=dates)
df['滚动平均'] = df['温度'].rolling(window=3).max()窗口为 3 时，前 2 天观测不足 3 个点，结果为空值 NaN；从第 3 天起，每个位置取「最近 3 天」的最高温度：9 月 3 日 32.0（窗口 30、32、31），9 月 4 日 32.0（32、31、29），9 月 5 日 31.0，9 月 6 日 29.0，9 月 7 日 28.0。窗口逐日向前滑动一格，始终覆盖当前位置及其前面共 window 个连续点。注释写「计算 3 天的滚动平均温度」，实际链式调用的是 .max()，列名与统计量不要混为一谈。
4.7.5 计算股票 KDJ 指标时再次使用滚动窗口：stockData['最低'].rolling(window=n, min_periods=1).min() 得到最近 n 天最低价，最高价则对「最高」列做 .max()。常用参数除 window 外还有 min_periods，用来指定窗口内至少要有多少个有效观测才出结果；设为 1 时，即使窗口尚未填满，也会从第一天开始计算，避免前若干行全是空值。
易错点：只调用 rolling(window) 得不到数值，必须再链式调用统计方法；默认 min_periods 等于 window，前 window-1 行是 NaN 而不是 0；window 按连续数据点个数计数，本例恰好按天索引、window=3 才对应 3 天；不要把 rolling() 与 4.7.3 按时间频率（如 'W'）聚合的 resample() 混淆。
rolling() 用于时间序列或任意连续数据的移动窗口计算。window 指定每次计算包含的连续数据点个数。rolling(window=3).max()，前 2 行为 NaN，其后为最近 3 天最高温度。min_periods=1 时从第一行即可出结果（KDJ 示例）。rolling() 返回窗口对象，需再调用 .max() / .min() / .mean() 等；勿与 resample() 混淆。