numpy.corrcoef不支持权重因其基于未加权协方差计算，强行加权会破坏归一化逻辑；加权皮尔逊需手动实现：用np.average计算加权均值、协方差和标准差，注意权重非负、长度匹配及零权重处理。
为什么 numpy.corrcoef 不支持权重？
numpy.corrcoef 是纯线性相关度量，内部直接用 np.cov 计算协方差和方差，没有权重接口。强行加权会破坏其分母归一化逻辑——比如对每个点乘权重后直接传入，结果既不是加权皮尔逊，也不满足 [-1, 1] 范围。
手动实现加权皮尔逊：核心公式与关键步骤
加权皮尔逊本质是用加权均值、加权协方差、加权标准差重构公式：r_w = cov_w(x, y) / (std_w(x) * std_w(y))
其中所有统计量都按权重 w 加权（权重需非负，通常要求 sum(w) > 0）。
实操建议：
- 权重
w必须与x、y等长，且用np.asarray(w)统一类型，避免广播错误 - 加权均值用
np.average(x, weights=w)，别用np.sum(x * w) / np.sum(w)——前者自动处理w=None和 NaN 安全 - 加权协方差要手写：先中心化（减加权均值），再用
np.average((x - mx) * (y - my), weights=w) - 加权标准差是
np.sqrt(np.average((x - mx)**2, weights=w))，注意不是np.std的ddof参数能替代的
常见错误：权重归一化 vs 未归一化的影响
权重是否归一化（即 sum(w) == 1）不影响最终相关系数值——因为分子分母都含相同权重缩放因子，会约掉。但不归一化时，np.average 内部仍能正确计算，无需预处理。
容易踩的坑：
- 用
np.cov(x, y, aweights=w)替代加权协方差？不行。aweights在np.cov中仅影响方差项，且默认行为与皮尔逊定义不一致（它按样本协方差公式缩放，而非加权期望） - 忽略权重为零的点？
np.average自动跳过w==0的项，但若整段w全为零会报ZeroDivisionError，需提前检查np.sum(w) == 0 - 输入含 NaN？
np.average默认不跳过 NaN，必须显式传returned=False并配合np.nanmean风格处理，或先用np.isfinite过滤
一个可直接复用的函数模板
下面这个函数只依赖 NumPy，无外部依赖，已处理边界情况：
def weighted_pearson(x, y, w):
x, y, w = np.asarray(x), np.asarray(y), np.asarray(w)
if len(x) != len(y) or len(x) != len(w):
raise ValueError("x, y, w must have same length")
if np.sum(w) == 0:
raise ValueError("sum of weights must be > 0")
<pre class="brush:python;toolbar:false;">mx = np.average(x, weights=w)
my = np.average(y, weights=w)
cov_w = np.average((x - mx) * (y - my), weights=w)
std_x = np.sqrt(np.average((x - mx)**2, weights=w))
std_y = np.sqrt(np.average((y - my)**2, weights=w))
if std_x == 0 or std_y == 0:
return np.nan # 退化情形：某变量恒定
return cov_w / (std_x * std_y)
调用示例：weighted_pearson([1,2,3], [1,4,5], [0.1, 0.8, 0.1]) —— 强调中间点主导相关性。
真正麻烦的是当权重本身有不确定性（比如来自测量误差倒数），此时需要误差传播或 bootstrap，那就不只是 NumPy 能解决的事了。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
