怎么在Python中利用Pandas实现带权重的平均值计算-Python教程-PHP中文网

pandas.Series.mean()不支持加权，需用np.average(s.values, weights=w)或df.dot(w)/w.sum()；注意索引对齐、NaN处理及权重归一化。

怎么在python中利用pandas实现带权重的平均值计算

用 `pandas.Series.mean()` 直接加权？不行，得自己算

pandas.Series.mean() 和 DataFrame.mean() 都不支持 weights 参数。这不是遗漏，而是设计取舍——Pandas 把加权逻辑留给用户控制，避免隐式行为（比如权重未归一化时结果难解释）。所以必须手动组合计算：用 Series.dot() 或 np.average() 配合 Series.values。

最稳妥的做法：用 `numpy.average()` + `Series.values`

这是兼容性最好、语义最清晰的方式，尤其适合单列加权均值。注意三点：

numpy.average() 的 weights 参数要求与数据等长，且自动归一化（即权重和不影响结果）
传入 Series.values 而非原 Series，避免索引对齐干扰（比如两列索引顺序不一致时）
若数据含 NaN，需先用 dropna() 并同步过滤权重，否则报错或结果异常

示例：

macOS UI 自动化技能包 —— 用 Python 控制你的 Mac

让 macOS 自动化像说话一样简单 —— 用代码控制你的 Mac，无需学习 AppleScript 系统要求 macOS 14+ (Sonoma) Python 3.9+ 需要开启：辅助功能 + 屏幕录制权限

下载

import pandas as pd
import numpy as np
<p>s = pd.Series([10, 20, 30])
weights = [1, 2, 3]</p><h1>正确：显式对齐、去 NaN</h1><p>valid_mask = s.notna()
result = np.average(s[valid_mask].values, weights=weights[valid_mask])</p>

想在 `DataFrame` 多列上批量加权？别循环，用 `dot()` + 归一化权重

当每行有多个指标、每列对应不同权重（比如考试中语文权重 0.4、数学 0.6），用 df.dot(weights) 最高效。但要注意：

weights 必须是 pd.Series，索引与 df.columns 完全匹配，否则静默对齐失败（缺失列被填 0）
dot() 不归一化权重，结果是加权和；如需加权平均，得除以权重和：df.dot(weights) / weights.sum()
如果某行存在 NaN，dot() 默认返回 NaN，无法跳过——必须提前用 fillna() 或掩码处理

示例：

df = pd.DataFrame({'A': [1, 2], 'B': [3, 4]})
w = pd.Series({'A': 0.3, 'B': 0.7})
<p>weighted_sum = df.dot(w)          # → [3.0, 3.4]
weighted_mean = df.dot(w) / w.sum()  # 同上，因 w.sum()==1</p>