我有一个更快的机制，尽管您需要运行一些测试以查看准确性是否足够。
这是原始的exp / sum / log版本：
def rolling_prod1(xs, n): return np.exp(pd.rolling_sum(np.log(xs), n))
这是一个使用累积乘积，将其移过（用nans预先填充），然后将其重新分配出去的版本。
def rolling_prod2(xs, n): cxs = np.cumprod(xs) nans = np.empty(n) nans[:] = np.nan nans[n-1] = 1. a = np.concatenate((nans, cxs[:len(cxs)-n])) return cxs / a
对于此示例，两个函数返回相同的结果：
In [9]: xsOut[9]: array([ 1., 2., 3., 4., 5., 6., 7., 8., 9.])In [10]: rolling_prod1(xs, 3)Out[10]: array([ nan, nan, 6., 24., 60., 120., 210., 336., 504.])In [11]: rolling_prod2(xs, 3)Out[11]: array([ nan, nan, 6., 24., 60., 120., 210., 336., 504.])
但是第二个版本要快得多：
In [12]: temp_col = np.random.rand(30000)In [13]: %timeit rolling_prod1(temp_col, 3)1000 loops, best of 3: 694 µs per loopIn [14]: %timeit rolling_prod2(temp_col, 3)10000 loops, best of 3: 162 µs per loop
