python时间窗口计算分三类：resample用于等距分箱（如'5t'），rolling用于滑动窗口（需on参数指定时间列），手动构造适用于不规则逻辑；均需确保时间索引正确、时区统一。
Python中做时间窗口计算，核心是把时间序列数据按固定时长切片，再对每个片段做聚合或分析。滑动窗口的关键在于“时间驱动”而非“行数驱动”，即窗口边界由时间戳决定，不是简单取前N行。
用pandas的resample做等距时间分箱
适合规则频率（如每5分钟、每天）的聚合场景。它会自动对齐时间边界，缺失时段可填充或跳过。
- 确保索引是
datetime类型：df.index = pd.to_datetime(df.index) - 按5分钟聚合均值：
df.resample('5T').mean()（'5T'表示5分钟） - 自定义聚合函数：
df.resample('1H').agg({'value': 'sum', 'flag': 'max'}) - 注意：resample默认以左边界对齐，可用
origin='start'或offset调整起始点
用pandas的rolling配合time-based window
适合滑动计算（如最近1小时内的滚动均值），窗口随时间连续移动，不强制对齐整点。
- 必须用
on参数指定时间列（不能只靠DatetimeIndex）：df.rolling('1H', on='timestamp').mean() - 时间字符串支持单位：'10S'、'30T'、'2H'、'7D'等
- 注意：该方法要求
timestamp列已排序且无重复；否则结果不可靠 - 若需右闭合窗口（含当前行），加
closed='both'（默认是'right'）
手动构造时间窗口：适用于复杂逻辑
当窗口规则不规则（如每个自然日+前1天、或按事件触发）时，需自己标记窗口ID。
立即学习“Python免费学习笔记（深入）”；
- 用
pd.cut或pd.Grouper生成分组键：df['window'] = pd.cut(df['ts'], bins=pd.date_range('2023-01-01', freq='24H', periods=10)) - 用布尔索引+循环遍历每个起点，结合
df.loc[(df.ts >= start) & (df.ts 提取子集 - 更高效的做法是用
searchsorted定位左右边界索引，避免重复扫描
性能与边界注意事项
大数据量下，时间窗口计算容易成为瓶颈，尤其涉及重复排序或多重循环时。
- 提前
sort_values(by='timestamp')并设为索引，能大幅提升rolling和切片效率 - 避免在循环里反复调用
df[df.time > t]——改用numpy.searchsorted定位位置 - 注意时区：统一转为UTC或本地时区，防止跨天窗口错位
- 空窗口默认返回NaN，可用
min_periods=1降低触发阈值
