怎样用Python NumPy实现高性能的加权平均数（Weighted Mean）？

作者：袖梨 2026-07-12

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。

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

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 npa = 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

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