兩個特徵、一條鐵則：站在第 t 列，特徵只能用第 t 列（含）以前的資訊。本站 pandas 3.0.2 實跑（320 天銷售序列）：A 的 rolling(7).mean()＋shift(1) 全程合規——誠實成績 R² 0.933 / 0.677。B 的 shift(-1) 是偷明天：作弊模型 R² 1.0 / 1.0、係數 [−0.0, 1.0]（模型只學會抄答案），而且最後一列 NaN——部署那天特徵不存在。C 的全期平均混了未來、diff 根本不是昨天；D 的 cumsum 只在第 7 天巧合、之後走鐘 32.8 倍。口訣：特徵日曆，不能翻到明天。
分析師想為預測模型建立兩個特徵：「7 日移動平均」與「前一日銷售量」。df 已依日期排序，下列何者正確且不會造成資料洩漏？
# df 欄位: date(已排序), sales # 目標：ma7 = 7 日移動平均、lag1 = 前一日銷售量——且不洩漏未來
想像你是每天傍晚寫「明日銷售預測」的分析師：桌上攤著今天以前的日曆——昨天賣多少（shift(1)）、近七天平均如何（rolling(7)），都是合法情報。選項 B 的 shift(-1) 等於偷看「明天的報紙」——回測神準（實跑 R²=1.0），但上線那天報紙根本還沒印：shift(-1) 的最後一列必是 NaN，你唯一真正要預測的那一列，特徵不存在。
另外兩位的死法不同但同樣致命：C 的 mean() 是「全期平均」——寫第 3 天的日報時，那個數字裡混著第 320 天的銷售（統計量洩漏，第 15 頁的老戲在時間軸上重演）；而 diff(1) 算的是「今天比昨天多多少」，不是「昨天賣多少」。D 的 cumsum()/7 是開帳以來的流水帳除以 7——跟「近 7 天」只在第 7 天那一天巧合相等，之後一路走鐘；lag1 = df['sales'] 更直接把今天本人當特徵。
rolling(7) 的視窗＝第 t−6～t 天（含今天）——前 6 列湊不滿、NaN 起手；第 7 列＝前 7 天平均 202.23（手算一字不差）。② shift(k) 的方向就是洩漏判準：正數往下推＝看過去（合法）、負數往上拉＝偷未來（洩漏）。③ 作弊模型有三個警訊：好到不像話的分數、係數集中在單一特徵、部署日特徵是 NaN——三個 B 全中。點擊後出現漸進式說明：白話說明 → 說清楚一點 → 常見錯誤與考點。
點擊後出現漸進式說明。
五段，一段一段走完。右上角的「看位置」可以把這一段放回完整程式裡看。
df['ma7'] = df['sales'].rolling(7).mean() # 視窗＝第 t−6～t 天（含今天）的平均
rolling(7) 在每一列開一扇「往回看 7 天」的視窗（含今天：第 t−6～t 天），.mean() 對窗內取平均——這正是「7 日移動平均」的定義。關鍵在方向：視窗只往過去開，一格未來都不碰。新欄用 df['ma7'] = 回寫進表。
# 實跑：前 6 列 NaN（湊不滿 7 天）；第 7 列 = mean(第 1~7 天) = 202.23 # 第 8 列視窗滑一格 = mean(第 2~8 天) = 200.77——這就是「移動」二字
兩個實跑細節：① 前 6 列是 NaN——資料不夠 7 天就誠實留白（不硬算、不偷看未來湊數）；② 第 7 列 = 前 7 天平均 202.23，與手算 mean(s[0:7]) 一字不差；第 8 列視窗滑一格變成第 2～8 天。想讓前 6 列也有值？rolling(7, min_periods=1)——「不足 7 天就用手上有的」，仍然只用過去。
df['lag1'] = df['sales'].shift(1) # 第 t 列拿到第 t−1 天——「前一日銷售量」
shift(1) 把整欄往下推一列：第 t 列的 lag1 就是第 t−1 天的 sales——「前一日銷售量」的正身。首列沒有昨天可拿 → NaN。實跑驗收：第 8 列的 lag1 = 189.4 ＝ 第 7 天的 sales，逐格吻合。這種「把過去搬到今天這一列」的欄位，行話叫 lag（落後）特徵。
# 判準：站在第 t 列，特徵只能用「第 t 列（含）以前」的資訊拿這把尺量四個選項：A 的 rolling 往回看、shift(1) 拿昨天——全合格；B 的 shift(-1) 把明天拉進今天這一列——直接偷未來；C 的 mean() 在第 3 列就用到第 320 天——統計量混了未來；D 的 lag1=df['sales'] 把今天本人放進特徵——目標若是今天，這叫把答案抄進考卷。
# 實跑（預測明天、250 天訓練 / 63 天測試）：A 的 R² = 0.933 / 0.677用 A 的兩個特徵訓練 LinearRegression 預測「明天」：訓練 R² 0.933、測試 0.677——測試期在更遠的未來、難一點很正常，這才是誠實模型該有的長相。對照組 B 的「滿分」（1.0 / 1.0）反而是最大的警訊——04 節的作弊模型偵測器整場伺候。
把前 8 天的實跑資料攤開，看每一列的視窗框到哪幾天：
同一個 shift、一個正負號之差——把兩個方向都真的跑一遍：
shift(-1) 的最後一列必是 NaN——因為「明天」還沒發生。而部署上線那天，你要預測的正是最後一列：回測時神準的特徵，在唯一真正需要它的那一列不存在。這就是時序洩漏最殘酷的長相：考試滿分、上場交白卷。拿 A 與 B 的特徵各訓練一個模型預測「明天」（250 天訓練、63 天測試），成績與係數全公開：
C 和 D 的四個零件，每一個都真的跑給你看：
mean() = 357.7 廣播成整欄同一個值——而「前 100 天平均」只有 247.76：那 110 元的差距就是未來的資訊（序列有上升趨勢）；diff(1) 在第 8 列是 0.4（189.8−189.4 的變化量），跟「昨天 189.4」差了整整一個世界。D 的 cumsum()/7 只在第 7 天那一天巧合等於 ma7（202.23——七個值的流水帳÷7 剛好是前七天平均），之後一路走鐘：第 100 天差 13 倍、第 320 天差 32.8 倍；而 lag1 = df['sales'] 連位移都沒有——今天本人直接進特徵。時序特徵的一張總表——語意、方向、洩漏風險一次看清：
| 寫法 | 語意 | 用到未來嗎 |
|---|---|---|
| shift(k)，k>0 | k 天前的值（lag 特徵） | ×（合法） |
| shift(-k) | k 天後的值（造「目標」用，不能當特徵） | ○（特徵用＝洩漏） |
| rolling(n).mean() | 近 n 天平均（含今天；第 t−n+1～t） | ×（合法） |
| expanding().mean() | 從第 1 天到今天的累積平均 | ×（合法） |
| diff(1) | 今天 − 昨天（變化量，不是昨天） | ×（但語意別搞混） |
| cumsum() | 開帳以來合計（流水帳） | ×（但 ÷7 不是 7 日平均） |
| 整欄 mean()／std() | 全期統計量（純量） | ○（第 3 天就用到第 320 天） |
# 嚴格版：若目標是「今天」，連 rolling 都要先 shift——特徵日曆只寫到昨天 df['ma7_strict'] = df['sales'].shift(1).rolling(7).mean() # 昨天往回 7 天（t−7～t−1）
兩個特徵語意全對、方向全對：rolling 的視窗只往過去開（第 7 列 = 前 7 天平均 202.23，手算一字不差）、shift(1) 拿昨天（第 8 列 = 189.4 逐格吻合）。誠實成績 R² 0.933 / 0.677——不完美，但真的。站在第 t 列、只用 ≤ t 的資訊——鐵則全程成立。
一個負號毀掉一切：shift(-1) 把整欄往上拉——第 t 列拿到第 t+1 天。作弊模型實跑 R² 1.0 / 1.0、係數 [−0.0, 1.0]——模型只學會「抄答案」；而 shift(-1) 的最後一列必是 NaN——部署那天（你唯一要預測的那列）特徵不存在。考試滿分、上場交白卷。
兩個零件兩種死法：mean() 是全期平均純量 357.7 廣播成常數欄——第 3 天就用到第 320 天（實跑前 100 天平均 247.76，差距就是未來的資訊；第 15 頁統計量洩漏的時序版）；diff(1) 是「今天−昨天」的變化量（實跑 0.4），跟「前一日銷售量」（189.4）語意完全不同。
cumsum()/7 是開帳以來流水帳除以 7——只在第 7 天巧合等於 ma7（202.23），之後一路走鐘：第 100 天差 13 倍、第 320 天差 32.8 倍；lag1 = df['sales'] 連位移都沒有——今天本人直接當特徵：目標若是今天，等於把答案抄進考卷。兩個零件都與題目要的特徵無關。
再看一次同一道題。這次你手上有一句口訣了：shift 正看過去、負偷未來——特徵日曆不能翻到明天。
df['ma7'] = df['sales'].rolling(7).mean() # 視窗只往過去開（含今天） df['lag1'] = df['sales'].shift(1) # 正的 shift＝拿昨天
八題，全部都是本題的延伸。答錯會直接告訴你錯在哪。
shift(1).rolling(7).mean()；本題任務是預測未來，A 合法。「時序特徵工程與洩漏」是中級科目二大數據處理分析與應用的資料準備招牌考點，rolling、shift、洩漏判準輪流出場。最常見的六種問法：① 給四段程式選「正確且不洩漏」（本題——語意與方向雙關卡）；② 問 rolling(n) 的視窗框住哪幾天（第 t−n+1～t，含今天；前 n−1 列 NaN）；③ 問 shift 正負的差別（正看過去、負偷未來）；④ 問 shift(-1) 拿來當特徵會怎樣（回測神準、部署日 NaN）；⑤ 問 diff 與 shift 的差別（變化量 vs 昨天值）；⑥ 問怎麼偵測洩漏（分數好到不像話、係數集中、部署日特徵缺席）。一句口訣：shift 正看過去、負偷未來——特徵日曆不能翻到明天。
含今天：第 t 列的視窗是第 t−6～t 天，共 7 天——「往回看、含當下」。實跑逐格驗收：第 7 列 = mean(第 1～7 天) = 202.23（與手算一字不差）、第 8 列滑一格 = mean(第 2～8 天) = 200.77。前 6 列因湊不滿 7 天而是 NaN——pandas 選擇誠實留白而不是偷拿未來湊數；想「不足就用手上有的」可加 min_periods=1，它仍然只用過去。「含今天」在本題合法（任務是預測未來、今天已發生）；但若目標是「今天」本身，含今天的視窗就藏了 1/7 的答案——見「嚴格版」那一折。
方向相反：shift(1) 把整欄往下推一列——第 t 列拿到第 t−1 天（昨天，已發生、合法）；shift(-1) 把整欄往上拉一列——第 t 列拿到第 t+1 天（明天，還沒發生、洩漏）。實跑對照：shift(1) 首列 NaN（第 1 天沒有昨天）；shift(-1) 末列 NaN（最後一天沒有明天）——兩個 NaN 的位置就洩露了時間方向。順帶一提：shift(-1) 不是一無是處——它是造「目標欄」的標準工具（y = sales.shift(-1) ＝「明天的銷售」），放在等號左邊當答案合法、放進特徵當 X 就是作弊。
三幕劇（全部實跑）。第一幕・回測神話：R² 訓練/測試 1.0 / 1.0——因為特徵欄就是目標欄本人。第二幕・係數招供：LinearRegression 學出係數 [−0.0, 1.0]、截距 0——翻譯：「ma7 我不需要，答案直接抄 lag1」。第三幕・部署斷頭台：上線那天要預測最後一列，而 shift(-1) 在最後一列必是 NaN（明天還沒發生）——神準的特徵在唯一需要它的地方不存在。對照 A 的誠實成績 0.933/0.677：分數好到不像話，第一件事不是慶祝、是查洩漏。
兩個零件兩種死法。mean()：回傳純量（全期平均 357.7），指派給欄位時廣播成整欄同一個值——問題不只「不是移動平均」，更是統計量洩漏：寫第 3 天的特徵時，357.7 裡混著第 320 天的銷售——實跑「前 100 天平均」只有 247.76，那 110 元的差距就是未來的資訊（序列有上升趨勢）。這是第 15 頁「scaler 只能 fit 訓練集」在時間軸上的重演：全樣本統計量＝偷看未來。diff(1)：算的是 sales(t) − sales(t−1)——「今天比昨天多多少」（實跑第 8 列 = 0.4），跟「昨天賣多少」（189.4）語意完全不同；diff 本身不洩漏、也是常用特徵，但它不是題目要的 lag1。
巧合的數學：第 7 天的 cumsum ＝ 前 7 天合計，除以 7 正好是前 7 天平均——與 ma7 完全相等（實跑都是 202.23）。但這是唯一的巧合日：第 8 天起 cumsum 是「8 天合計」「9 天合計」……除以 7 之後越長越大——實跑第 100 天 3539.4 vs 真 ma7 271.9（13 倍）、第 320 天 16352.0 vs 498.9（32.8 倍）。cumsum 是「開帳以來的流水帳」、rolling 是「固定寬度的視窗」——一字之差，語意天差地遠。至於 lag1 = df['sales']：連 shift 都沒有，今天本人直接進特徵——若目標是今天，這叫把答案抄進考卷。順帶：想要「從第 1 天到今天的累積平均」，正規寫法是 expanding().mean()——合法、但那也不是題目要的 7 日視窗。
看目標是誰。本題任務是「預測（未來）」——站在第 t 列預測 t+1，特徵用到第 t 天（含今天）完全合法，A 直接對。但如果目標是「今天」（例如用同期特徵回填今天的銷售），含今天的 ma7 就藏著答案的 1/7——本站的實跑鐵證：給模型 ma7(含今)＋前 6 天 lag，LinearRegression 代數還原出今天——R² = 1.000000、係數恰好 [7, −1, −1, −1, −1, −1, −1]（它解出了 s(t) = 7×ma7 − Σ前六天）；嚴格版（shift(1).rolling(7).mean()，視窗 t−7～t−1）同陣容只有 0.9847。考場判斷法：先問目標的時間點，再決定特徵日曆的截止日——截止日永遠要早於目標。
三條線。「洩漏家族第五案」：第 1/3 頁（測試集參與前處理）、第 10 頁（KFold 洗牌洩漏 94~100%）、第 15 頁（scaler 統計量洩漏）、第 21 頁（補值統計量的紀律）——本頁把戰場推進到特徵工程層：shift(-1) 與全期 mean() 都是「未來混進特徵」。「雙保險」：特徵層守「不用未來」（本頁）＋驗證層守「過去訓練、未來驗證」（第 10 頁 TimeSeriesSplit）——兩層都守住，時序洩漏才真的絕跡。「不報錯的錯」：B/C/D 全都跑得動、欄位漂漂亮亮生出來——洩漏從來不是語法錯誤，是時間方向的錯；跟第 9/18/21 頁同款「程式跑得動 ≠ 語意正確」。