np.average计算加权平均需权重与数据同形，否则报错；加权方差须手算，用加权均值代入平方偏差；含NaN时应使用np.ma.average；权重无需手动归一化。
用 np.average 计算加权平均值时权重必须和数据同形
直接传入一维数组和对应权重即可，但常见错误是权重长度不匹配或维度不一致。比如数据是 (10,)，权重却给成 (5,) 或 (10, 1)，会报 ValueError: weights sum to zero or not the same shape as a。
实操建议：
- 用
a.shape == weights.shape显式检查形状，尤其在处理二维数组按行/列加权时 - 若想对二维数组每行单独加权，需指定
axis=1，且weights必须是二维（如(n_rows, n_cols)）或能广播为该形状 - 权重可为浮点数，支持归一化（
weights / weights.sum()），但np.average内部自动处理，无需手动归一 - 示例：
np.average([1, 2, 3], weights=[0.1, 0.3, 0.6])→2.3
加权方差不能直接用 np.var，得手写或调 numpy.average 套用
np.var 不接受 weights 参数，强行传会静默忽略，结果仍是普通方差。正确做法是基于定义：加权方差 = 加权平均的平方偏差，即 np.average((x - weighted_mean)**2, weights=weights)。
注意点：
立即学习“Python免费学习笔记（深入）”；
macOS UI 自动化技能包 —— 用 Python 控制你的 Mac
下载
让 macOS 自动化像说话一样简单 —— 用代码控制你的 Mac，无需学习 AppleScript 系统要求 macOS 14+ (Sonoma) Python 3.9+ 需要开启：辅助功能 + 屏幕录制权限
- 必须用加权均值
weighted_mean = np.average(x, weights=weights)，不能用np.mean(x)，否则偏差失真 - 若需贝塞尔校正（样本加权方差），分母应为
1 - np.sum(weights**2) / np.sum(weights)**2，不是简单的n-1；NumPy 不内置该逻辑，需手动除 - 对 NaN 敏感：只要
x或weights含np.nan，结果就是nan，建议提前用np.nan_to_num或布尔索引过滤
用 np.ma.average 处理含缺失值的加权统计
当数据含 np.nan 或掩码数组（np.ma.masked_array）时，np.average 会传播 nan。此时应转为掩码数组并用 np.ma.average，它天然跳过被掩码的位置，且支持 weights。
操作要点：
- 构造掩码数组：
ma_data = np.ma.masked_invalid(data)（自动掩掉nan和inf） - 权重也需同步掩码，或确保其未被掩码位置对应有效数据；否则会警告并返回
masked - 示例：
np.ma.average(ma_data, weights=weights)返回标量，不是MaskedConstant - 注意：
np.ma.average的axis行为与np.average一致，但不支持returned=True
性能与精度：大数组下避免重复计算加权均值
加权方差需两次遍历（一次算均值、一次算偏差），对百兆级数组可能明显拖慢。若需多次计算不同权重下的方差，建议预存中间量；若只算一次，不必过度优化。
关键细节：
-
np.average底层用 C 实现，比纯 Python 循环快一个数量级，优先用它而非for手写 - 权重为整数时，数值稳定性略好于浮点权重，但差异通常可忽略
- 极端权重（如某值接近 1，其余接近 0）会导致
float64下的舍入误差放大，必要时可用dtype=np.longdouble，但兼容性受限
加权统计里最易被忽略的是：权重归一化不是必须步骤，np.average 自动按权重和做归一；但手算加权方差时，如果误把原始权重当概率分布用了，又没意识到分母隐含了权重和，结果就会系统性偏高。
