本文介绍如何基于字典定义的权重，对 dataframe 中指定列执行逐行加权求和，并将结果作为新列高效添加，避免硬编码计算，提升可维护性与扩展性。
在数据分析中，经常需要根据业务规则为不同指标赋予权重（如篮球统计中得分 pts 权重为 1、篮板 reb 为 1.2、助攻 ast 为 1.5、失误 tov 为 −1），再对各行进行加权求和生成综合评分（如 score）。若手动编写 df['pts'] * 1 + df['reb'] * 1.2 + ...，不仅冗长易错，且权重变更时需多处修改。更优雅的方式是利用 Pandas 内置的 .dot() 方法，结合字典构建权重向量，实现声明式、可配置的加权计算。
核心思路是：将权重字典转换为 pd.Series，其索引对应目标列名；再调用 df[columns].dot(weights)，Pandas 会自动按列名对齐并执行行级点积（即每行各列值 × 对应权重，再求和）。
以下为完整实现示例：
import pandas as pd
# 原始数据
df = pd.DataFrame({
'id': [1, 2, 3],
'pts': [25, 20, 9],
'ast': [8, 14, 7],
'reb': [1, 4, 9],
'oth': [5, 6, 7], # 不参与加权（字典中未定义）
'tov': [4, 2, 1]
})
# 权重字典：仅对需参与计算的列定义系数
score_dict = {'pts': 1.0, 'reb': 1.2, 'ast': 1.5, 'tov': -1.0}
# 构建权重 Series（关键：索引必须与目标列名完全一致）
weights = pd.Series(score_dict)
# 执行加权求和 → 自动对齐列名，忽略字典中不存在的列（如 'oth'、'id'）
# 注意：只传入字典中出现的列，确保安全对齐
target_cols = list(score_dict.keys())
df['score'] = df[target_cols].dot(weights)
print(df)输出：
id pts ast reb oth tov score 0 1 25 8 1 5 4 34.2 1 2 20 14 4 6 2 43.8 2 3 9 7 9 7 1 29.3
✅ 优势说明：
- 健壮对齐：.dot() 严格依据列名（而非位置）匹配权重，即使列顺序变动或存在无关列（如 id、oth）也不影响结果；
- 零依赖循环：纯向量化运算，性能优于 apply() 或 map()；
- 高可维护性：权重集中管理在字典中，增删列或调整系数只需修改 score_dict；
- 天然容错：若某列在 DataFrame 中缺失，.dot() 会报 KeyError，便于早期发现数据异常。
⚠️ 注意事项：
- 确保 score_dict 的键全部存在于 df.columns 中，否则会引发 KeyError；可预先校验：assert all(k in df.columns for k in score_dict)；
- 若需支持缺失列默认权重为 0，可改用 df.reindex(columns=list(score_dict.keys()), fill_value=0).dot(weights)；
- 避免直接对含非数值列（如字符串 ID）的整个 DataFrame 调用 .dot()，务必显式筛选目标数值列。
通过这一方法，你不仅能简洁实现加权评分逻辑，还能为后续接入配置文件（如 YAML/JSON 权重表）或动态策略引擎打下坚实基础。
