np.average()的weights参数必须与axis维度对齐且全为有限值；若shape不匹配或含nan/负数，结果将为nan或报错。
np.average() 的 weights 参数必须和 axis 对齐
加权平均算出来全是 nan 或报错 AxisError，大概率是 weights 形状没对上。比如你对二维数组按行求加权平均（axis=1），那 weights 就得是一维的，长度等于每行元素个数；如果按列算（axis=0），weights 长度就得等于行数。
常见错误现象：
– 传入 weights 是列表但长度和数据不匹配
– 用 np.array(weights).reshape(-1) 强行压平，结果和 axis 方向错位
– 忘了广播规则，拿一个标量权重数组去配高维数据
- 检查
a.shape和weights.shape是否在目标axis上一致 - 如果数据是
(100, 5)，想给每行的 5 个特征加不同权重（比如特征重要性），就用weights=[0.1, 0.2, 0.4, 0.2, 0.1]，再设axis=1 - 如果想给 100 个样本各自赋权（比如样本置信度），
weights应为长度 100 的数组，axis=0
weights 里不能有负数或 nan，但可以归一化不归一化
np.average() 会自动对 weights 做归一化（即除以权重和），所以你传 [2, 4, 4] 和 [0.2, 0.4, 0.4] 效果一样。但它**不会容忍负值、nan 或 inf**——一旦出现，结果直接是 nan，且不报错，容易误判。
- 务必提前过滤：用
np.isfinite(weights)检查，再用weights = np.where(np.isfinite(weights), weights, 0)替换非法值（注意：0 权重合法，但会让对应位置不参与计算） - 如果原始权重含负数（比如中心化后的 score），先做线性变换：如
weights = weights - weights.min() + 1e-8 - 不用手动归一化，除非你想保留权重绝对量纲用于后续解释（此时自己算
np.sum(a * weights) / np.sum(weights)更透明）
axis=None 时 weights 必须展平，且长度等于 a.size
当不指定 axis（默认全局平均），np.average() 把整个数组当一维处理，这时 weights 也必须是一维、长度等于 a.size。很多人卡在这儿：传了个二维 weights，以为它会自动广播，结果报 ValueError: weights should have the same shape as a。
立即学习“Python免费学习笔记（深入）”；
- 安全做法：显式展平
weights.ravel()或weights.flatten()，再确认长度：assert weights.size == a.size - 别依赖自动广播——
np.average()在axis=None下不支持广播weights - 示例：
a = np.array([[1,2],[3,4]]); w = np.array([[10,1],[1,5]]); np.average(a, weights=w.ravel())才对
替代方案：用 np.sum(a * weights) / np.sum(weights) 更可控
当你要精确控制数值稳定性、或需要中间结果（比如加权和本身），或者 np.average() 的隐式归一化干扰逻辑时，手写公式反而更可靠。它不检查 weights 是否为正，也不做额外类型转换，就是纯数学运算。
- 能避免
np.average()对weights做内部np.asarray()导致的 dtype 意外提升（比如int32变float64） - 可配合
np.errstate(divide='ignore')处理全零权重场景，返回inf或nan而非崩溃 - 注意：这个写法不处理
axis，要分维度算得自己sum(axis=...)，但胜在每一步都可见
实际用的时候，最常被忽略的是 weights 的 finite 检查和 axis 对齐——这两步漏掉，结果看似正常，实则部分样本被静默丢弃或污染。
