您收到此错误的原因是因为df_win实际上是pd.Series。.rolling.apply不通过pd.DataFrame，因此相关性计算是不可能的-因为只有一个数据系列。在this answer中有更多的解释。
以下是计算问题中相关性的几个选项：

选项1 -滚动申请

使用与您几乎相同的代码，我将其改为在返回代码的开头使用全局变量df，以便使用两列，而不是df_win中的单个列（因为这是一个pd.Series。此外，我还将调用函数的行更改为仅对单个列运行，否则输出将返回两次。

def _corr_single_window_(df_win):
    return df.loc[df_win.index].mul(w[-df_win.shape[0]:], axis=0).corr().iloc[0, 1]

df.rolling(window=window, min_periods=min_obs)["A"].apply(_corr_single_window_)

# 18.2 s ± 437 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)

字符串

选项2 -列表解析

这个列表解析计算min_obs有一个if else语句，并使用max(0, i-window)作为.iloc的下限，因此它从min_obs的开始增加到完整的window长度。如果您使用的是Python>=3.8，则可以在中使用"walrus operator"来避免重复此计算。

pd.Series([df.iloc[max(0, i-window): i]
           .mul(w[-(i-max(0, i-window)):], axis=0)
           .corr().iloc[0, 1]
           if i>=min_obs
           else np.nan
           for i in range(1, len(df) + 1)])
# 12.8 s ± 263 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)
# (or with walrus operators for Python >= 3.8)
pd.Series([df.iloc[(min_idx := max(0, i-window)): i]
           .mul(w[-(i-min_idx):], axis=0)
           .corr().iloc[0, 1]
           if i>=min_obs
           else np.nan
           for i in range(1, len(df)+1)])

# 12.8 s ± 263 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)

型

选项3 -带卷管

主要改编自this answer，它使用.pipe将函数链接在一起。

def rolling_pipe(dataframe, window, fctn):
    return pd.Series([dataframe.iloc[max(0, i-window): i].pipe(fctn) 
                      if i >= window else None 
                      for i in range(1, len(dataframe)+1)],
                     index = dataframe.index) 

df.pipe(rolling_pipe, window,
        lambda x: x.mul(w[-x.shape[0]:], axis=0).corr().iloc[0, 1])

# 7.66 s ± 1.9 s per loop (mean ± std. dev. of 7 runs, 1 loop each)

型
从上面的时序可以看出，第三个选项是最有效的。然而，鉴于大量的观察结果，仅进行了7次运行，并且多次测试给出了相当不同的时间。