本文介绍一种简洁高效的方法：利用 mask() 和 div() 一步完成对权重列的重加权操作，使非 NaN 对应的权重按比例放大、NaN 对应位置置零，同时确保新权重之和仍为原始总和（如 1）。
本文介绍一种简洁高效的方法：利用 `mask()` 和 `div()` 一步完成对权重列的重加权操作，使非 nan 对应的权重按比例放大、nan 对应位置置零，同时确保新权重之和仍为原始总和（如 1）。
在数据分析中，常需根据某列的缺失状态动态调整另一列的权重——例如，在构建加权指标时，若某样本的类别字段（如 'Type'）为空，则其原始权重应被归零，并将这部分“释放”的权重按比例重新分配给其余有效样本，以维持整体归一化约束（如权重和仍为 1）。
Pandas 提供了高度向量化的方法实现该逻辑，无需手动计算总和、差值与缩放因子。核心思路是：
- 屏蔽缺失值对应权重：使用 .mask(condition, other) 将 df['Type'].isna() 为 True 的位置，把 'wgt' 替换为 0；
- 归一化重加权：对屏蔽后的 Series 执行 .div(s.sum())，即每个非零权重除以其自身总和，自动完成比例重分配。
示例代码如下：
import pandas as pd
import numpy as np
df = pd.DataFrame({
'Type': ['A', np.nan, 'B', 'C', 'D', np.nan],
'wgt': [0.1, 0.2, 0.3, 0.25, 0.1, 0.05]
})
# 推荐写法：清晰、可读、易调试
s = df['wgt'].mask(df['Type'].isna(), 0)
df['new_wgt'] = s.div(s.sum())
# 或一行式（适合链式操作场景）
df['new_wgt'] = df['wgt'].mask(df['Type'].isna(), 0).pipe(lambda x: x / x.sum())
执行后结果为：
Type wgt new_wgt 0 A 0.10 0.133333 1 NaN 0.20 0.000000 2 B 0.30 0.400000 3 C 0.25 0.333333 4 D 0.10 0.133333 5 NaN 0.05 0.000000
✅ 验证：df['new_wgt'].sum() 精确等于 1.0（浮点误差内），且所有 Type 为 NaN 的行对应 new_wgt 均为 0。
⚠️ 注意事项：
- 若原始 'wgt' 列总和不为 1（如为 0.8），该方法仍保持相对重加权——即新列总和等于原列总和（非强制归一到 1）；如需绝对归一到 1，请先标准化原列或显式除以 df['wgt'].sum()。
- mask(..., 0) 比 np.where(..., 0, ...) 更语义明确，也比布尔索引赋值更安全（避免 SettingWithCopyWarning）。
- 对大规模数据，该方案全程向量化，性能优于循环或 apply。
掌握这一模式，可快速适配各类「条件性权重重分配」任务，如样本过滤加权、缺失值补偿、分组内归一等场景。
