本文详解如何在 pandas dataframe 中对含 nan 的数据进行加权平均计算：跳过 nan 对应的权重，仅用有效值对应的权重之和作为分母，避免将 nan 视为 0 导致分母恒定、结果失真。
在使用 Pandas 进行加权统计时，一个常见误区是直接用 df.mul(weights).sum() / weights.sum() —— 这种写法会隐式将 NaN 对应的权重保留并参与分母计算，导致分母固定为全部权重之和（如示例中的 14），而分子中 NaN 项被当作 0 处理，最终结果在含 NaN 的行上被低估或错误平滑。
正确的做法是：让权重与数据“同步失效”。即仅保留数据非空（notna()）位置上的权重，其余位置权重置为 0。这样，加权和的分子与分母均只反映实际有效观测。
具体实现分两步：
-
构造掩码权重矩阵：利用 df.notna() 生成布尔 DataFrame，再与权重 Series 按行广播相乘，得到与 df 形状一致、NaN 位置权重为 0 的加权掩码：
weights_masked = df.notna().mul(s, axis=0)
-
计算动态加权平均：用原始数据乘以掩码权重求和（自动忽略 NaN），再逐列除以该列对应的有效权重和：
result = df.mul(weights_masked).sum().div(weights_masked.sum(axis=0))
完整可运行示例：
import pandas as pd
import numpy as np
# 构造示例数据
df = pd.DataFrame({
1: [100, 150, 175],
2: [200, 250, 275],
3: [300, np.nan, 375]
}, index=[1, 2, 3])
s = pd.Series([3, 4, 7], index=[1, 2, 3])
# 正确计算：权重随 NaN 动态屏蔽
weights_masked = df.notna().mul(s, axis=0)
result = df.mul(weights_masked).sum().div(weights_masked.sum(axis=0))
print(result.round(2))
# 输出：
# 1 151.79
# 2 251.79
# 3 352.50
# dtype: float64✅ 关键要点总结：
- df.notna() 返回同形状布尔 DataFrame，精准标识非空位置；
- mul(s, axis=0) 实现按行广播，使每行权重独立应用；
- weights_masked.sum(axis=0) 按列求和，得到每列（即每个指标）实际参与加权的权重总和（如第 3 列：3+7=10，跳过第 2 行的 NaN）；
- 此方法天然支持多列、任意索引，且无需循环或 apply，性能高效、语义清晰。
⚠️ 注意事项：若需结果为 DataFrame（而非 Series），可用 result.to_frame().T 转置；若原始数据含全 NaN 列，weights_masked.sum(axis=0) 可能为 0，需额外处理除零警告（例如 .replace(0, np.nan)）。
