本文介绍如何在pandas中高效地将某列中与另一列缺失值（nan）对齐的权重设为0，并对剩余权重进行比例重缩放，使其总和保持不变（如仍为1）。
本文介绍如何在pandas中高效地将某列中与另一列缺失值（nan）对齐的权重设为0，并对剩余权重进行比例重缩放，使其总和保持不变（如仍为1）。
在数据分析中，常需根据辅助列（如分类标签）动态调整权重列：当某行的标签为缺失值（NaN）时，对应权重应置零；同时，其余有效权重需按比例放大，以维持整体归一性（例如总和仍为1）。手动计算（如先求和、再分步缩放）不仅冗长，还易出错。Pandas 提供了简洁、向量化的方法实现这一目标。
核心思路是：屏蔽（mask）缺失位置的权重 → 归零 → 对非零部分做行内归一化。推荐使用 Series.mask() 结合 Series.div() 完成：
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]
})
# 一步到位：将 Type 为 NaN 对应的 wgt 置 0，再按剩余权重总和归一化
s = df['wgt'].mask(df['Type'].isna(), 0)
df['new_wgt'] = s.div(s.sum())输出结果为：
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
也可进一步简化为单行链式表达（利用 pipe 避免中间变量）：
df['new_wgt'] = df['wgt'].mask(df['Type'].isna(), 0).pipe(lambda x: x / x.sum())
⚠️ 注意事项：
- mask(condition, other) 在 condition 为 True 时用 other 替换原值（此处即 NaN → 0），语义清晰且高效；
- isna() 是检测缺失值的标准方法，兼容 None 和 np.nan；
- 使用 div(s.sum()) 而非 / s.sum() 可自动对齐索引，更安全；
- 若原始 wgt 总和不为 1，该方法仍保证 new_wgt 总和等于原 wgt 总和（因仅做线性缩放），如需强制归一至 1，请确保输入 wgt 列已归一化，或显式除以 df['wgt'].sum()。
此方法兼具可读性、性能与健壮性，是处理“条件权重重分配”任务的 Pandas 最佳实践之一。
