使用numpy.average计算加权平均遇权重和为零错误，求解决参数

np.average报错Weights sum to zero, can't be normalized的核心原因是：该函数默认会对权重做归一化处理（即把权重除以它们的总和），当权重总和为0时，这个归一化步骤无法完成，因此抛出错误。目前np.average没有直接参数可以跳过归一化来规避这个错误，不过可以根据业务场景选择以下变通方案：

方案1：过滤无效权重 #

如果权重中存在大量0值导致总和为0，可以先筛选出权重不为0的行再计算：

mask = df['column2'] != 0
np.average(df.loc[mask, 'column1'], weights=df.loc[mask, 'column2'])

方案2：手动计算加权和（跳过归一化） #

如果你的业务场景允许不做权重归一化（比如权重本身是带正负的系数），可以直接计算加权和，无需调用np.average：

weighted_sum = (df['column1'] * df['column2']).sum()

注意：这不是传统意义上的加权平均值，只是加权求和——因为权重和为0时无法完成除法运算。

方案3：调整权重避免总和为0 #

如果权重总和为0是因为正负值抵消，可以结合业务逻辑给权重做偏移处理（比如加上一个常数让总和不为0），示例如下：

# 给权重加上偏移量，确保总和不为0（需根据实际场景调整偏移值）
adjusted_weights = df['column2'] + abs(df['column2'].min()) + 1
np.average(df['column1'], weights=adjusted_weights)

内容的提问来源于stack exchange，提问作者Nada