pandas.DataFrame.dot是最直接实现列加权平均的方法，要求权重为索引匹配DataFrame列名的Series，且数据须全为数值类型；若需逐行加权，则推荐numpy.average配合axis=1和显式归一化的权重。
用 pandas.DataFrame.dot 做加权平均最直接
如果你的权重是列向量（即一维数组或 Series），且权重长度与 DataFrame 列数一致，dot 是最简洁、最不易出错的方式。它本质是矩阵乘法，天然适配「每列乘对应权重再求和」的加权平均逻辑。
注意：这里默认你要求的是**按列加权后得到一个标量结果**（即对整张表做一次加权平均），而不是逐行加权。如果是逐行加权，请跳到下一个副标题。
- 权重必须是
Series，索引需与 DataFrame 的columns完全匹配，否则会自动对齐——对齐失败的部分变成NaN，导致整个结果为NaN - 如果 DataFrame 含非数值列（如字符串），
dot会报ValueError: matrices are not aligned；务必先用select_dtypes('number')过滤 - 示例：
import pandas as pd<br>df = pd.DataFrame({'A': [1, 2, 3], 'B': [4, 5, 6]})<br>weights = pd.Series([0.3, 0.7], index=['A', 'B'])<br>result = df.select_dtypes('number').dot(weights).mean() # 先加权再取均值（若需单个标量）
逐行加权平均用 numpy.average 配合 axis=1
当你要对每一行单独计算加权平均（比如每条样本有自己的权重向量），numpy.average 比 Pandas 原生方法更可控，尤其支持 axis 和 weights 参数直出结果。
- 输入必须是纯数值的二维数组，所以得先用
.values或.to_numpy()转换；DataFrame 直接传入会触发隐式转换警告甚至错误 - 权重必须是一维数组，长度等于列数；若给的是二维权重（每行权重不同），则必须确保
weights形状与数据一致，并显式指定axis=1 - 缺失值（
NaN）会导致结果全为NaN，除非你提前用np.nanmean类函数处理，但np.average不支持自动跳过NaN—— 此时应改用pd.DataFrame.apply+ 自定义函数 - 示例：
import numpy as np<br>arr = df.to_numpy() # shape: (3, 2)<br>w = np.array([0.3, 0.7]) # 一行一个权重，广播生效<br>row_wavg = np.average(arr, weights=w, axis=1) # shape: (3,)
权重归一化不是可选项，而是必要步骤
很多人忽略这点：如果权重和不为 1，np.average 和 df.dot 算出来的根本不是数学意义上的「加权平均」，而是加权和。Pandas 不会帮你归一化，NumPy 也不会。
提示词大师-python版
下载
图片提示词生成器？不止如此。 马甲系统 —— 把脑海中的画面，翻译成AI能理解的专业表达。 用得越多，它越懂你：首次需要多问几句确认方向，用久了几乎一说就懂。 用得越多，它越快：缓存机制让后续对话越来越省。 RAG进化：成功案例持续入库，越跑越聪明。 输入「新手指南」查看完整功能介绍
立即学习“Python免费学习笔记（深入）”；
- 错误做法：
np.average(x, weights=[2, 8])→ 实际等价于(2*x0 + 8*x1)/10？不，是除以2+8=10，但用户常误以为它自动归一了——其实它确实除以了权重和，但如果你本意是「权重代表概率」，就必须自己保证和为 1 - 安全做法：始终显式归一化，例如
w_norm = w / w.sum()，再传入；或者用weights=w/sum(w)写死 - 特别注意：当权重含负数或零时，归一化后仍可能产生非预期行为（如方差爆炸），此时加权平均本身已失去统计意义，应提前校验权重有效性
遇到 ValueError: shapes (n, m) and (k,) not aligned 怎么办
这是 dot 最常见的报错，核心就一条：列名没对上，或数据类型不一致。
- 检查
df.columns.tolist()和weights.index.tolist()是否完全相等（顺序、大小写、空格都算） - 检查 DataFrame 是否有重复列名：
df.columns.duplicated().any()为True时dot必炸 - 检查权重是否为
Series：用type(weights)确认，list或ndarray传进去会报这个错 - 临时调试技巧：把权重转成字典再重建
Series，强制对齐：weights = pd.Series(dict(zip(df.columns, [0.3, 0.7])))
加权平均看着简单，真正卡住人的往往是权重和列之间的“对齐契约”——它不声不响，但错一点就全盘失效。
