对单列数据进行滚动计算，可以使用常规的.rolling()。
如果需要对多列数据进行滚动计算，可以考虑下面两种方法：
numpy_ext，使用其中的rollling_apply()方法。.rolling()中加入参数method='table'。本文以方正金工发表的一篇研报中提出的计算“更优波动率”为例，实现了对多列数据进行滚动计算，并对上述两种方法总结如下：
numpy_ext.rollling_apply()需要引入外部包numpy_ext，该方法接受需要进行滚动计算的多个 Series，并返回计算出的一个数组。.rolling(method='table')是 Pandas 内置的函数（需要升级到较新的版本），指定method='table'后，就可以对数据框中的多列进行滚动计算，并返回一个数据框。若返回的多列结果相同，我们只需要取出其中一列即可。.rolling(method='table')使用了engine='numba'，计算速度更快。Conda 可以十分方便地创建虚拟环境，便于在不同的项目中使用不同的 Python 版本、外部包等。今天在创建新的虚拟 Conda 环境后，在 VS Code 中没有找到刚刚创建的 Python 解释器。
解决方案是：
Select Interpreter选项，这里应该可以看到最新创建的 Conda 环境；Clear Cache and Reload Window选项，重新加载窗口；本文转载了阮一峰的《中文技术文档的写作规范》。
本站之前发布的文章有许多并没有遵循这一规范（例如中英文之间应有空格）。在今后的工作和写作中，我会尽量书写规范的文档，提高文章的易读性。
pandas 中的axis参数代表对数据进行处理时遵循的方向。在单行、单列操作（如drop）时，axis=0和axis=1分别代表删除行和删除列。在聚合操作（如求mean）时，axis=0和axis=1分别代表求列均值和行均值。
总结
axis=0：如果是单行操作，就指的是某一行；
如果是聚合操作，指的是跨行 cross rows。
axis=1：如果是单列操作，就指的是某一列；
如果是聚合操作，指的是跨列 cross columns。
本文基于音乐平台 Spotify 中的 30 万余条音乐数据与 10 万余条歌手数据，分析并构造了音乐流派、音乐语言等特征，与歌手热度、音乐发行时间等特征共同建模预测音乐流行度，使用 XGBoost 内置的特征重要性计算函数和 SHAP 值评估各特征的重要性及其对预测结果的影响方向与大小，并构建了基于内容余弦相似度的音乐推荐系统。
搜索引擎和 GitHub 中一些高级搜索的方法。
在无做空限制的情形下推导均值方差模型的有效前沿曲线，本质上是求解一个带有等式约束的最优化问题。
本文使用梯度下降法、随机梯度下降法、坐标下降法和基于贝叶斯后验的 MCMC 采样法实现带有 L1 惩罚项的逻辑回归，并在银行客户流失数据集上进行实证检验。
