用 std::accumulate 配合 lambda 实现加权平均最稳妥，需确保 values 与 weights 大小一致、初始值为 0.0、权重和非零；std::inner_product 更简洁但不检查长度匹配，C 风格数组须手动计算长度并注意类型转换。
用 std::accumulate 手动加权求和最稳妥
直接调用标准库函数计算加权平均值没有现成接口，必须自己组合权重乘积与累加。用 std::accumulate 配合 lambda 是最可控的方式，避免手写循环出错，也比 std::inner_product 更易读、更少隐含依赖。
常见错误是把权重数组长度和数据数组长度搞错，导致越界或结果偏小；另一个坑是用整数类型做权重乘法后未转为浮点，造成截断（比如 int * int → int 再除以 int，结果仍是整数）。
- 确保
values和weights大小一致，运行时建议加assert(values.size() == weights.size()) - lambda 的初始值必须是浮点类型，例如
0.0，不能写0 - 权重总和为 0 时会触发除零，需提前检查
total_weight != 0
std::vector<double> values = {1.0, 2.0, 3.0};
std::vector<double> weights = {0.5, 1.0, 1.5};
double total_weight = std::accumulate(weights.begin(), weights.end(), 0.0);
double weighted_sum = std::accumulate(
values.begin(), values.end(),
weights.begin(),
0.0,
[](double acc, double v, double w) { return acc + v * w; }
);
double result = total_weight != 0 ? weighted_sum / total_weight : 0.0;
用 std::inner_product 简洁但要注意迭代器配对
这个函数本意就是算两个序列的内积，天然适合加权求和：第一个序列是值，第二个是权重。但它不检查长度匹配，一旦传错迭代器范围（比如 weights.begin() 到 weights.end() 和 values 长度不等），行为未定义——可能崩溃，也可能静默算错。
它比手动 accumulate 少写几行，但调试难度更高，尤其在用 C 风格数组或指针偏移时容易漏掉长度校验。
立即学习“C++免费学习笔记（深入）”；
- 务必确认
weights迭代器区间长度等于values区间长度 - 第三个参数是初始值，同样必须是浮点（
0.0），否则整数截断 - 不推荐用于
std::array或 C 数组混用场景，因为std::inner_product对指针运算敏感，容易误算终点
double weighted_sum = std::inner_product(
values.begin(), values.end(),
weights.begin(),
0.0
);
C 风格数组要先算长度再用 sizeof 检查
面对 double arr[] = {1,2,3}; 这类声明，不能直接用 std::size(arr)（C++17 才支持），得靠 sizeof(arr)/sizeof(arr[0])。但这个技巧只在数组作用域内有效——一旦传进函数变成指针，sizeof 就失效了，此时必须额外传入长度。
最容易忽略的是：C 风格权重数组若用 int 类型（比如计数权重），和 double 值相乘时若没显式转为 double，中间结果仍按 int 算，溢出风险高。
- 在函数内部对 C 数组用
sizeof求长，仅限于定义处，别在参数里用 - 函数参数应设计为
(const double* values, const double* weights, size_t n)，明确长度 - 权重为
int时，乘法前强制转：static_cast<double>(w[i]) * values[i]
性能差异其实可以忽略，但 float vs double 要看精度需求
三种方法生成的汇编差别极小，现代编译器基本都优化成相似的向量化加法+乘法链。真正影响性能的是内存布局：如果 values 和 weights 不连续（比如分别 malloc 的两块内存），缓存命中率会下降，比算法选择更关键。
精度方面，金融或科学计算建议统一用 double；嵌入式或大量实时处理可用 float，但注意权重和值的量级差太大时（比如权重是 1e-6，值是 1e6），float 可能丢失有效位。
- 不要为“性能”选
std::inner_product，可读性和安全性更重要 - 若用
float，检查最终结果是否满足误差要求，而不是只看编译快慢 - 权重归一化（即预除以总和）可避免最后一步除法，但不改变数值稳定性
加权平均本身逻辑简单，难点全在边界控制和类型转换上——尤其是混合整数权重、C 数组传参、以及忘记检查除零。这些地方一松懈，结果就离谱，而且很难一眼看出哪步错了。
