直接用 numpy.average 即可，它原生支持加权平均，比手动循环快10–100倍，自动处理广播、NaN跳过和dtype推导，但需注意weights形状匹配、NaN同步掩码及dtype优化。
直接用 numpy.average 就行，别自己写循环
NumPy 的 numpy.average 原生支持加权平均，底层用 C 实现，比 Python 循环快 10–100 倍。只要传入 weights 参数，它会自动处理广播、NaN 跳过和 dtype 推导。
常见错误是手动用 np.sum(a * w) / np.sum(w) —— 看似等价，但没处理 w 全为 0 或含 NaN 的情况，也不支持 axis 指定维度的加权归约。
-
weights必须和输入数组 shape 兼容（广播规则），不能是纯 Python list（会触发低效路径） - 若
a含nan，默认不跳过；加returned=False且设weights时，nan会污染结果；需先用np.nan_to_num或掩码预处理 - 当
axis不为 None，weights若为 1D，会沿该轴广播；若要按不同维度加权，weights必须显式匹配对应维度 shape
处理缺失值（NaN）时必须显式控制 returned 和 weights 逻辑
很多人以为 numpy.average 默认像 np.nanmean 那样忽略 NaN，其实不会——它把 NaN 当普通值参与加权，导致结果也是 NaN。
正确做法是先对数据和权重同步掩码，再调用：
立即学习“Python免费学习笔记（深入）”；
import numpy as np a = np.array([1.0, 2.0, np.nan, 4.0]) w = np.array([1, 1, 1, 1]) <p>mask = ~np.isnan(a) result = np.average(a[mask], weights=w[mask])
- 不能只 mask
a而保留全部w，否则权重和失配，结果偏差 - 如果想保留原 shape（比如做矩阵逐行加权平均），用
np.where构造 masked weight：w_masked = np.where(np.isnan(a), 0, w)，再配合np.average(..., weights=w_masked) -
returned=True返回 (weighted_mean, sum_of_weights)，可用于后续归一化校验，但 sum_of_weights 在 mask 后也得同步计算
高维数组加权平均要注意 axis 和 weights 的维度对齐
比如你有一个 shape=(1000, 50) 的数据矩阵，想对每行做加权平均（即每行一个标量结果），权重是 per-feature 的长度为 50 的向量。这时候 weights 必须是 shape=(50,)，且指定 axis=1。
若误把 weights 设成 shape=(1000,)，NumPy 会尝试广播，结果不是你想要的“每行加权”，而是“每列加权”或报错。
- 安全做法：显式 reshape 权重，如
w.reshape(1, -1)表示作用于 axis=1（列方向）；w.reshape(-1, 1)表示作用于 axis=0（行方向） - 多维权重（如 shape=(1000, 50)）也能用，但必须确保非零权重位置与数据有效位置一致，否则易引入静默误差
- 用
keepdims=True可保留维度，方便后续广播运算，比如结果用于减去原始数组做中心化
性能关键：避免重复构造 weights 数组和隐式类型转换
如果在循环中反复调用 np.average 且每次 weights 相同，不要每次都传 Python list 或 float64 list——每次都会触发 array 构造开销。提前转成 np.ndarray 并固定 dtype。
- 权重用
np.float32足够（除非需要极高精度），比默认float64节省内存且计算略快 - 避免在 hot path 中传
weights.tolist()或嵌套 list，这会让 NumPy 回退到慢速 object 模式 - 若权重本身来自 pandas Series，用
.values取出 ndarray，别直接传 Series（会触发 pandas 分支，慢 3–5 倍）
加权平均本身不复杂，但容易在 mask 对齐、维度广播和 dtype 控制上出错，这些地方一错，结果就 quietly wrong。
