你需要的其实是加权总体标准差——把每个age对应的count当作该年龄的样本数量，计算时将权重纳入考量的标准差，而非普通的无权重标准差。我先拆解计算逻辑验证和你的预期匹配，再给出可落地的实现方案。

手动验证预期结果 #

以2018年的数据为例，确认计算逻辑和你的预期一致：

• 总样本数（count总和）：2+3+4=9
• 加权均值：$(02 + 13 + 2*4)/9 = 11/9 ≈1.2222$
• 加权平方差总和：$(0-11/9)²2 + (1-11/9)²3 + (2-11/9)²*4 = 450/81 = 50/9$
• 总体加权标准差：$\sqrt{(50/9)/9} = \sqrt{50/81} ≈0.785674$，和你给出的预期完全吻合。

2017年的计算逻辑同理，最终结果也和你提供的数值一致。

代码实现（Python Pandas） #

如果你的数据存储在DataFrame中，可以用以下代码快速计算：

import pandas as pd
import numpy as np

# 构造你的原始数据
data = pd.DataFrame({
    'year': [2018,2018,2018,2017,2017,2017],
    'count': [2,3,4,1,4,2],
    'age': [0,1,2,0,1,2]
})

def weighted_pop_std(group):
    weights = group['count']
    values = group['age']
    # 计算加权均值
    mean = np.average(values, weights=weights)
    # 计算加权平方差总和
    weighted_sum_sq = np.sum(weights * (values - mean)**2)
    # 总体标准差：除以总权重
    std = np.sqrt(weighted_sum_sq / weights.sum())
    return std

# 按年份分组计算
result = data.groupby('year').apply(weighted_pop_std)
print(result)

运行后输出结果：

year
2017    0.638877
2018    0.785674
dtype: float64

完全匹配你的预期结果。

补充说明 #

如果需要的是样本加权标准差（分母用总count-1），只需要把代码里的weights.sum()改成weights.sum()-1即可，但根据你给出的预期结果，这里采用的是总体标准差的计算方式。

内容的提问来源于stack exchange，提问作者Du-z