我建议您查看源代码，以便深入了解滚动的作用。我特别建议您查看generic.py 和window.py 中的rolling 函数。从那里您可以查看Window class，如果您指定窗口类型或默认Rolling class，则使用该Window class。最后一个继承自_Rolling_and_Expanding，最终继承自_Rolling和_Window。
也就是说，我会给我两分钱：Pandas 的整个滚动机制依赖于 numpy 函数 apply_along_axis。特别是它在熊猫中使用here。它与windows.pyx cython 模块结合使用。在您的系列中，出现聚合滚动窗口。对于典型的聚合函数，它可以有效地为您处理它们，但对于自定义函数（使用apply()），它在windows.pyx 中使用roll_generic()。
pandas 中的滚动功能独立地对 pandas 数据框列进行操作。它不是python iterator，并且是延迟加载的，这意味着在您对其应用聚合函数之前不会计算任何内容。实际应用数据滚动窗口的函数直到聚合完成之前才会使用。
混淆的来源可能是您将滚动对象视为数据框。 （您在上一个代码 sn-p 中将滚动对象命名为 df）。真的不是。它是一个对象，可以通过在它所包含的窗口逻辑上应用聚合来生成数据帧。
您提供的 lambda 应用于新数据框的每个单元格。它在旧数据框中向后（沿每一列）打开一个窗口，并将其聚合到新数据框中的一个单元格中。聚合可以是 sum、mean、您自定义的东西等，在某个窗口大小（比如 3）上。以下是一些示例：
a = np.arange(5)
df = pd.DataFrame(a, columns=['a'])
df.rolling(3).mean().dropna()
...也可以通过以下方式完成：
df.rolling(3).apply(np.mean).dropna()
... 并产生：
a
2 3.0
3 6.0
4 9.0
（第一列是索引值，这里可以忽略，下一个例子。）
请注意我们如何提供现有的 numpy 聚合函数。这就是想法。我们应该能够提供我们想要的任何东西，只要它符合聚合函数的功能，即，获取一个值向量并从中产生一个值。这是我们创建自定义聚合函数的另一个例子，在本例中是窗口的 L2 范数：
df.rolling(3).apply(lambda x: np.sqrt(x.dot(x))).dropna()
如果您不熟悉 lambda 函数，这与以下内容相同：
def euclidean_dist(x):
return np.sqrt(x.dot(x))
df.rolling(3).apply(euclidean_dist).dropna()
...屈服：
a
2 2.236068
3 3.741657
4 5.385165
为了确保，我们可以手动检查np.sqrt(0**2 + 1**2 + 2**2) 确实是2.236068。
[在您的原始编辑中] 最后一个代码 sn-p 中，您的代码可能比您预期的提前失败。在调用df.apply(...) 之前失败您正尝试将名为df 的滚动对象添加到数字2，然后再传递给df.apply(...)。滚动对象不是您对其进行操作的对象。您提供的聚合函数通常也不符合聚合函数。 a 是一个包含窗口值的列表，b 将是您传入的常量额外参数。如果您愿意，它可以是滚动对象，但通常不会是您想要做的事情.为了更清楚起见，这里有一些与您在原始编辑中所做的类似但有效的操作：
a = np.arange(8)
df = pd.DataFrame(a, columns=['a'])
n = 4
rol = df.rolling(n)
def prod(window_list, constant_rol):
return window_list.dot(constant_rol.sum().dropna().head(n))
rol.apply(prod, args=(rol,)).dropna()
# [92.0, 140.0, 188.0, 236.0, 284.0]
这是一个人为的例子，但我展示它是为了说明你可以将任何你想要的东西作为常量传递，甚至是你自己使用的滚动对象。动态部分是第一个参数 a 在你的情况下或 window_list 在我的情况下。所有已定义的窗口，以单独列表的形式，都被一一传递给该函数。
根据您的后续 cmet，这可能是您正在寻找的：
import numpy as np
import pandas as pd
n = 3
a = np.arange(5)
df = pd.DataFrame(a, columns=['a'])
def keep(window, windows):
windows.append(window.copy())
return window[-1]
windows = list()
df['a'].rolling(n).apply(keep, args=(windows,))
df = df.tail(n)
df['a_window'] = windows
将数组/向量添加到每个滚动块，从而产生：
a a_window
2 2 [0.0, 1.0, 2.0]
3 3 [1.0, 2.0, 3.0]
4 4 [2.0, 3.0, 4.0]
请注意，它仅在您一次在列上执行时才有效。如果您想在将窗口存储到 keep 之前对窗口进行一些数学运算，那也可以。
也就是说，如果没有更多关于您想要实现的目标的详细信息，就很难构建一个适合您需求的示例。
如果您的最终目标是创建滞后变量的数据框，那么我会使用 shift() 来使用真实列：
import numpy as np
import pandas as pd
a = np.arange(5)
df = pd.DataFrame(a, columns=['a'])
for i in range(1,3):
df['a-%s' % i] = df['a'].shift(i)
df.dropna()
...给予：
a a-1 a-2
2 2 1.0 0.0
3 3 2.0 1.0
4 4 3.0 2.0
（可能有一些更漂亮的方法，但它可以完成工作。）
关于第一个代码 sn-p 中的变量 b，请记住 pandas 中的 DataFrame 通常不会作为任意维度/对象的张量处理。您可能可以将任何您想要的东西塞入其中，但最终字符串、时间对象、整数和浮点数是预期的。这可能是 pandas 的设计者不愿意允许滚动聚合到非标量值的原因。似乎甚至不允许将简单字符串作为聚合函数的输出。
无论如何，我希望这能回答您的一些问题。如果不让我知道，我会尽力在 cmets 或更新中帮助您。
关于滚动对象的_create_blocks() 函数的最后说明。
当您使用 rolling 的 freq 参数时，_create_blocks() 函数会处理重新索引和分箱。
如果您将频率与周数一起使用，例如 freq=W:
import pandas as pd
a = np.arange(50)
df = pd.DataFrame(a, columns=['a'])
df.index = pd.to_datetime('2016-01-01') + pd.to_timedelta(df['a'], 'D')
blocks, obj, index = df.rolling(4, freq='W')._create_blocks(how=None)
for b in blocks:
print(b)
...然后我们逐周获得分箱（非滚动）原始数据：
a
a
2016-01-03 2.0
2016-01-10 9.0
2016-01-17 16.0
2016-01-24 23.0
2016-01-31 30.0
2016-02-07 37.0
2016-02-14 44.0
2016-02-21 NaN
请注意，这不是聚合滚动的输出。这只是它工作的新块。在这之后。我们像sum 这样进行聚合并得到：
a
a
2016-01-03 NaN
2016-01-10 NaN
2016-01-17 NaN
2016-01-24 50.0
2016-01-31 78.0
2016-02-07 106.0
2016-02-14 134.0
2016-02-21 NaN
...通过测试总和进行检查：50 = 2 + 9 + 16 + 23。
如果您不使用freq 作为参数，它只会返回原始数据结构：
import pandas as pd
a = np.arange(5)
df = pd.DataFrame(a, columns=['a'])
blocks, obj, index = df.rolling(3)._create_blocks(how=None)
for b in blocks:
print(b)
...产生...
a
a
2016-01-01 0
2016-01-02 1
2016-01-03 2
2016-01-04 3
2016-01-05 4
...用于滚动窗口聚合。