rolling().apply()中直接传numba函数会报错，因pandas要求函数处理一维ndarray且返回标量，而numba不兼容Series；正确做法是设raw=True、用.values提取纯数组，并确保numba函数仅处理numpy.ndarray、自行处理NaN。

rolling().apply() 里直接传 numba 函数会报错

因为 pandas 的 rolling().apply() 要求传入的函数必须接受一维 ndarray（或 Series），且返回标量或同长度数组；而 numba.jit 编译后的函数默认不支持对 pandas 对象（如 Series）的直接调用，更不兼容其内部索引逻辑。常见错误是：TypingError: Failed in nopython mode... 或 AttributeError: 'numpy.ndarray' object has no attribute 'values'。

关键点：必须确保 numba 函数只处理纯 numpy.ndarray，且输入形状可控（通常是 1D）、无缺失值干扰。

正确做法：先用 numba 编译纯数组函数，再在 apply 中手动提取 .values

绕过 pandas 对象、只喂给 numba 纯 numpy.ndarray 是最稳妥的路径。注意三点：

• numba.jit 函数需加 nopython=True 和 fastmath=True（若计算允许）以获得实际加速
• rolling().apply() 的 raw=True 参数必须设为 True，否则传入的是 Series，不是 ndarray
• 原始数据中若有 NaN，raw=True 下仍会传入 nan 值，numba 函数需自行处理（比如用 np.isnan() 过滤或提前 dropna）

示例：

import numpy as np
import pandas as pd
from numba import jit
@jit(nopython=True, fastmath=True)
def my_rolling_sum(arr):
arr 是 1D numpy.ndarray，可能含 nan
total = 0.0
for x in arr:
    if not np.isnan(x):
        total += x
return total
s = pd.Series([1.0, 2.0, np.nan, 4.0, 5.0])
result = s.rolling(3).apply(my_rolling_sum, raw=True)
替代方案：用 numba 实现完整 rolling 逻辑（跳过 pandas apply）
当窗口计算逻辑复杂、或对性能极致敏感时，rolling().apply() 的 Python 层开销（如每次构造子数组、类型检查）反而成为瓶颈。此时更高效的方式是：

用 np.lib.stride_tricks.sliding_window_view（NumPy 1.20+）生成窗口视图
把整个窗口数组传给 numba 函数批量处理（避免逐窗口调用）
注意边界：sliding_window_view 不自动处理首尾不足窗口长度的情况，需手动 pad 或截断

示例（等效于 rolling(3).sum()）：
from numpy.lib.stride_tricks import sliding_window_view
@jit(nopython=True)
def batch_sum(windows):  # windows.shape == (n_windows, window_size)
out = np.empty(windows.shape[0], dtype=windows.dtype)
for i in range(windows.shape[0]):
acc = 0.0
for j in range(windows.shape[1]):
if not np.isnan(windows[i, j]):
acc += windows[i, j]
out[i] = acc
return out
arr = s.to_numpy()
windows = sliding_window_view(arr, window_shape=3)
result_arr = batch_sum(windows)  # 返回 (len-2,) 数组
容易被忽略的坑：dtype 不一致和 missing value 处理
numba 对 dtype 敏感，如果输入数组是 float64，但某次 rolling 窗口因全为 NaN 导致 pandas 内部回退为 object 类型，raw=True 仍可能传入非数值数组，触发 numba 编译失败或运行时报错。
务必在调用前统一 dtype 并显式处理缺失值：

用 s.astype(np.float64) 强制数值类型
避免在滚动前混用 None 和 np.nan（后者才是 numba 可识别的）
若业务允许，优先用 s.fillna(0) 或 s.dropna() 预处理，比在 numba 函数里反复判断 np.isnan 更快

真正卡住人的往往不是 numba 怎么写，而是 pandas 滚动窗口怎么把数据“干净地”塞进去 —— 这一步没控好，后面全白搭。



# ai 
# 的是 
# 才是 
# 更快 
# python 
# windows 
# 三点 
# 若有 
# app 
# 设为 
# 不支持 
# win 
# 对象 
# 值类型 
# 报错 
# 或对 
# Object 
# Attribute 
# pandas 
# numpy 
# 更不 
# 数值数组 
 




相关栏目：
    <？ｍｕｍａ
    $count = M('archives')->where(['typeid'=>$field['id']])->count();
    ?>
    【
        AI推广<？ｍｕｍａ echo $count; ?>
    】
    <？ｍｕｍａ
    $count = M('archives')->where(['typeid'=>$field['id']])->count();
    ?>
    【
        SEO优化<？ｍｕｍａ echo $count; ?>
    】
    <？ｍｕｍａ
    $count = M('archives')->where(['typeid'=>$field['id']])->count();
    ?>
    【
        技术百科<？ｍｕｍａ echo $count; ?>
    】
    <？ｍｕｍａ
    $count = M('archives')->where(['typeid'=>$field['id']])->count();
    ?>
    【
        谷歌推广<？ｍｕｍａ echo $count; ?>
    】
    <？ｍｕｍａ
    $count = M('archives')->where(['typeid'=>$field['id']])->count();
    ?>
    【
        百度推广<？ｍｕｍａ echo $count; ?>
    】
    <？ｍｕｍａ
    $count = M('archives')->where(['typeid'=>$field['id']])->count();
    ?>
    【
        网络营销<？ｍｕｍａ echo $count; ?>
    】
    <？ｍｕｍａ
    $count = M('archives')->where(['typeid'=>$field['id']])->count();
    ?>
    【
        案例网站<？ｍｕｍａ echo $count; ?>
    】
    <？ｍｕｍａ
    $count = M('archives')->where(['typeid'=>$field['id']])->count();
    ?>
    【
        精选文章<？ｍｕｍａ echo $count; ?>
    】