Pandas rolling_mean和rolling_std函数已被弃用，并被更通用的“滚动”框架取代。@elyase的例子可以修改为：

import pandas as pd
import numpy as np
%matplotlib inline

# some sample data
ts = pd.Series(np.random.randn(1000), index=pd.date_range('1/1/2000', periods=1000)).cumsum()

#plot the time series
ts.plot(style='k--')

# calculate a 60 day rolling mean and plot
ts.rolling(window=60).mean().plot(style='k')

# add the 20 day rolling standard deviation:
ts.rolling(window=20).std().plot(style='b')

rolling函数支持许多不同的窗口类型，如here所述。可以在rolling对象上调用许多函数，包括var和其他有趣的统计数据（skew，kurt，quantile等）。我坚持使用std，因为图与平均值在同一个图上，这在单位方面更有意义。

你应该看看pandas。例如：

import pandas as pd
import numpy as np

# some sample data
ts = pd.Series(np.random.randn(1000), index=pd.date_range('1/1/2000', periods=1000)).cumsum()

#plot the time series
ts.plot(style='k--')

# calculate a 60 day rolling mean and plot
pd.rolling_mean(ts, 60).plot(style='k')

# add the 20 day rolling variance:
pd.rolling_std(ts, 20).plot(style='b')

尽管这是一个旧线程，但我将添加另一个从this修改的方法，它不依赖pandas，也不依赖python循环。从本质上讲，使用numpy的stride技巧，您可以首先创建一个具有striding的数组视图，以便沿着最后一个轴计算函数的统计量相当于执行滚动统计量。我修改了原始代码，通过填充添加最后一个轴的开始，使输出形状与输入形状相同。

import numpy as np

def rolling_window(a, window):
    pad = np.ones(len(a.shape), dtype=np.int32)
    pad[-1] = window-1
    pad = list(zip(pad, np.zeros(len(a.shape), dtype=np.int32)))
    a = np.pad(a, pad,mode='reflect')
    shape = a.shape[:-1] + (a.shape[-1] - window + 1, window)
    strides = a.strides + (a.strides[-1],)
    return np.lib.stride_tricks.as_strided(a, shape=shape, strides=strides)

a = np.arange(30).reshape((5,6))

# rolling mean along last axis
np.mean(rolling_window(a, 3), axis=-1)

# rolling var along last axis
np.var(rolling_window(a, 3), axis=-1)

# rolling median along last axis
np.median(rolling_window(a, 3), axis=-1)

在我看来，将Pandas用于纯数字数据有点矫枉过正;Bottleneck工作得很好，但自2021年1月以来一直没有更新，并且不再适用于Python 3.9及更新版本;所以我将发布一个基于Josh Albert's version的版本，记住关于lib.stride_tricks.as_strided的文档说明，使用它可能不安全。
你可以使用NumPy的lib.stride_tricks.sliding_window_view()，它基本上是lib.stride_tricks.as_strided的安全（ish） Package 器，创建一个具有窗口大小的额外轴的数组（在任何维度上），允许你使用NumPy的内置统计函数在该轴上操作：

import numpy as np

window = 3  # size of the window
A = np.arange(10)

Aw = np.lib.stride_tricks.sliding_window_view(A, window)
Avar = np.var(Aw, axis=-1)

Avar
>>> array([0.66666667, 0.66666667, 0.66666667, 0.66666667, 0.66666667,
       0.66666667, 0.66666667, 0.66666667])

当然，这也适用于mean，max，min，std等。
注意：据我所知，没有办法包括数组的“边”，即。A的开始和结束，其中不能获得全窗口长度。由此产生的阵列将被短接到可以达到完整窗口长度的部分，请参见返回的文档。

我只是在寻找相同的解决方案，并发现瓶颈包应该非常可靠和快速地完成任务。下面是来自www.example.com的稍微调整的示例https://kwgoodman.github.io/bottleneck-doc/reference.html#bottleneck.move_var:

>>> import bottleneck as bn
>>> a = np.array([1.0, 2.0, 3.0, np.nan, 5.0])
>>> bn.move_var(a, window=2)
array([ nan,  0.25,  0.25,  nan,  nan])
>>> bn.move_var(a, window=2, min_count=1)
array([ 0. ,  0.25,  0.25,  0. ,  0. ])

注意，所得方差对应于窗口的 last 索引。
该软件包可从Ubuntu repos，pip等获得。它可以在任意轴上运行，如numpy数组等。除此之外，它声称在许多情况下比plain-numpy实现更快。

这里有一个简单的方法来计算移动平均线（或时间窗口内的任何其他操作）使用普通Python。
您可以通过更改window变量中的值来更改时间窗口。例如，如果您想要一个30分钟的时间窗口，您可以将该数字更改为3000000000。
在本例中，条目保存在名为data的字典中。但是，您可以从任何适合您的集合中获取此数据。
你可以将结果保存到你喜欢的任何集合或数据库中。

data = {}

def one_min_avg():
    window = int(datetime.now().strftime("%H%M%S%f")) - 100000000
    history = {}
    for i in message_log.items():
        if i[0] >= window:
            history.update({i})
    for i in list(history):
        if i < window:
            history.pop(i)
    avg = sum(history.values()) / len(list(history))
    return avg

注意：您可能需要添加一些错误处理，以避免被零除或函数无法访问您的数据。

一个简单的方法来做（几乎）任何滚动/移动计算是做卷积！
在这种情况下，您可以将数据中的标准差公式与设置的窗口大小（ws）进行卷积。

moving_std = np.sqrt(np.convolve((data - np.mean(data))**2, np.ones(ws)/ws, mode='valid'))

只是不要忘记，当你绘制这个图时，moving_std的第一个点将向左移动ws空间，与你的数据相比，因为窗口大小。因此，您需要通过将窗口大小添加到x轴来解决这个问题。