本文介绍如何在 pandas 中高效地将某列中对应另一列 nan 值的权重置零，并对剩余权重重新缩放，使其总和保持不变（如仍为 1），避免多步手动计算。
本文介绍如何在 pandas 中高效地将某列中对应另一列 nan 值的权重置零，并对剩余权重重新缩放，使其总和保持不变（如仍为 1），避免多步手动计算。
在数据分析中，常需根据辅助列（如类别标识）动态调整权重列：当某行在标识列中为缺失值（NaN）时，对应权重应设为 0；同时，其余非零权重需按比例放大，以维持整体归一性（例如总和仍为 1）。这一操作看似简单，但若采用显式循环或分步求和再缩放，不仅代码冗长，还易出错且性能不佳。
Pandas 提供了简洁、向量化的方法实现该逻辑。核心思路是：先屏蔽（mask）掉需置零的位置，再对剩余值做归一化除法。
以下为推荐的两行实现（清晰可读）：
s = df['wgt'].mask(df['Type'].isna(), 0) # 将 Type 为 NaN 对应的 wgt 替换为 0 df['new_wgt'] = s.div(s.sum()) # 归一化：每项 ÷ 总和（自动跳过 0，结果总和为 1）
也可压缩为一行函数式写法（适合链式操作）：
df['new_wgt'] = df['wgt'].mask(df['Type'].isna(), 0).pipe(lambda x: x / x.sum())
✅ 输出效果如下（保留原始 wgt 列便于对照）：
| Type | wgt | new_wgt |
|---|---|---|
| A | 0.10 | 0.1333 |
| NaN | 0.20 | 0.0000 |
| B | 0.30 | 0.4000 |
| C | 0.25 | 0.3333 |
| D | 0.10 | 0.1333 |
| NaN | 0.05 | 0.0000 |
关键说明：
- mask(condition, other) 在满足 condition（此处为 df['Type'].isna()）时用 other（即 0）替换原值；
- div(...) 执行逐元素除法，且自动处理 sum() 为 0 的边界情况（若全行为 NaN，则 s.sum() 为 0，此时需额外判断，但本例中至少存在一个非 NaN Type，故安全）；
- 整个过程完全向量化，无显式循环，时间复杂度 O(n)，内存友好。
? 进阶提示：若需支持更复杂条件（如多个列共同决定是否置零），可将 df['Type'].isna() 替换为任意布尔表达式（如 (df['Type'].isna()) | (df['Status'] == 'inactive')），方法依然适用。
总结：利用 mask + div(sum()) 组合，即可一行完成“置零→重归一”全流程，兼具可读性、健壮性与执行效率，是 Pandas 权重重分配的标准实践。
