如何在Python中简单地计算时间序列的滚动/移动方差？

我有一个简单的时间序列，我正在努力估计移动窗口内的方差。更具体地说，我无法弄清楚与实现滑动窗口函数的方式有关的一些问题。例如，当使用 NumPy 且窗口大小 = 20 时：

def rolling_window(a, window):
    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) 

rolling_window(data, 20)
np.var(rolling_window(data, 20), -1)
datavar=np.var(rolling_window(data, 20), -1)

也许我在某个地方犯了错误，在这个思路上。 有谁知道一个简单的方法来做到这一点？ 任何帮助/建议将非常受欢迎。

熊猫rolling_mean and rolling_std函数已被弃用并被更通用的“滚动”框架取代。 @elyase 的示例可以修改为：

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')

The rolling函数支持多种不同的窗口类型，如文档所示here https://pandas.pydata.org/pandas-docs/stable/generated/pandas.DataFrame.rolling.html。可以调用许多函数rolling对象，包括var和其他有趣的统计数据（skew, kurt, quantile， ETC。）。我一直坚持std因为该图与平均值在同一个图表上，这从单位角度更有意义。