def TS_AVERAGE(series, number): number=int(number) l=len(series) n = range(0, number-1) shift=series for k in n: shift=shift.shift(1) series=series+shift series=series/number return series def TS_wgdStd(series, number, halflife): halflife = int(halflife) d = math.pow(0.5, 1 / halflife) DecayWGT = np.logspace(0, number - 1, number, base=d) avg = TS_AVERAGE(series, number) square = (series - avg) * (series - avg) print(square) result = math.sqrt(np.average(square, weights=DecayWGT)) return result testseq=range(0,400) testseq=pd.Series(testseq) print(testseq) print('测试均值函数') print(TS_AVERAGE(testseq.values,20)) TS_AVERAGE(testseq,20).to_csv('测试均值函数.csv') print('测试加权标准差') print(TS_wgdStd(testseq.values,number=20,halflife=30)) TS_wgdStd(testseq,20,30).to_csv('测试加权标准差.csv')

根据你提供的代码，我注意到你在 `TS_wgdStd` 函数中调用了 `TS_AVERAGE` 函数。然而，在调用 `TS_AVERAGE` 函数时，你将 `testseq` 作为参数传递，但该函数期望的参数类型是 numpy 数组而不是 pandas Series 对象。

为了解决这个问题，你需要修改 `TS_wgdStd` 函数中对 `TS_AVERAGE` 函数的调用，将 `testseq` 的底层 numpy 数组传递给它。以下是修正后的代码：

import pandas as pd
import math
import numpy as np

def TS_AVERAGE(series, number):
    # 实现 TS_AVERAGE 函数的代码...

def TS_wgdStd(series, number, halflife):
    halflife = int(halflife)
    d = math.pow(0.5, 1 / halflife)
    DecayWGT = np.logspace(0, number - 1, number, base=d)
    avg = TS_AVERAGE(series, number)
    square = (series - avg) * (series - avg)
    print(square)
    result = math.sqrt(np.average(square, weights=DecayWGT))
    return result
 
testseq = range(0, 400)
testseq = pd.Series(testseq)
print(testseq)
print('测试均值函数')
print(TS_AVERAGE(testseq.values, 20))
TS_AVERAGE(testseq.values, 20).to_csv('测试均值函数.csv')
print('测试加权标准差')
print(TS_wgdStd(testseq.values, number=20, halflife=30))
TS_wgdStd(testseq.values, 20, 30).to_csv('测试加权标准差.csv')

在修正后的代码中，我们通过 `testseq.values` 获取了 `testseq` 的底层 numpy 数组，并将其传递给了 `TS_AVERAGE` 和 `TS_wgdStd` 函数。这样可以确保参数类型正确，并且可以顺利运行代码。请注意，`TS_wgdStd` 函数中的 `print(square)` 是为了调试目的，你可以根据需要进行修改或删除。