时间序列分析中的滚动窗口是一种技术，用于计算数据子集上的指标，该子集在数据集中按顺序“滚动”。它涉及定义一个固定的窗口大小（例如，7 天、30 个观测值），并计算该窗口内数据的统计量（例如，平均值、总和或标准差）。随着新数据点的添加，窗口向前移动，丢弃最旧的数据点并合并最新的数据点。这使得分析能够适应最近的趋势，同时保持一致的时间范围。例如，每日销售额的 7 天滚动平均值将每天更新，方法是计算当前天和前六天的销售额的平均值。
滚动窗口的主要用途是平滑短期波动并突出更长期的趋势或模式。例如，分析网站流量的开发人员可能会使用 30 天的滚动总和来跟踪每月活跃用户，而无需固定的日历月。同样，在金融应用中，20 天的滚动标准差可以衡量股票价格的波动性。滚动窗口还支持实时或近实时计算，例如通过将最新的数据点与滚动平均值和标准差进行比较来检测异常。在 Python 中，像 Pandas 这样的库提供了内置方法（例如，DataFrame.rolling()）来简化这些计算。例如，df['sales'].rolling(window=7).mean() 将为销售数据集生成一个 7 天移动平均列。
在实施滚动窗口时，开发人员必须考虑权衡。较大的窗口大小会减少噪声，但可能会滞后于快速变化，而较小的窗口会反应更快，但可能会过度拟合离群值。像时间序列开始时窗口未完全填充这样的边缘情况需要处理——一些库允许部分窗口（例如，Pandas 中的 min_periods=1）。此外，统计量的选择很重要：滚动中位数对于离群值具有鲁棒性，而滚动总和则强调累积效应。对于流式数据，有效地维护固定窗口大小（例如，使用循环缓冲区）可以优化性能。了解这些细微之处可确保滚动窗口提供有意义的见解，而不会引入人为因素。