Python实现带约束的归一化权重计算：单权重不超过1/√(N)

核心逻辑说明 #

我们先完成行归一化，再逐行处理权重约束，逐行处理逻辑如下：

• 先过滤当前行的NaN值，仅对有效值做权重调整
• 阈值为1/np.sqrt(N)，首先裁剪所有超限权重到阈值，裁剪溢出的部分计入待分配权重池
• 循环分配剩余权重：将待分配权重按未超限权重的相对占比分配，若分配后有新的权重超限，再次裁剪溢出部分回权重池，直到权重池剩余值小于浮点误差阈值或所有权重均达到阈值
• 最终将处理后的值回填到原行结构，保留原NaN位置

完整代码 #

import pandas as pd
import numpy as np

# 构造示例数据
df = pd.DataFrame({
    'a': [53, 54.06, 53.654, 55.2],
    'b': [np.nan, 54.1121, 53.98, 55.12],
    'c': [np.nan, 2, 53.322, 54.99],
    'd': [np.nan, 53.1, 53.212, 55.002],
    'e': [np.nan, 53, 53.2, 55.021],
    'f': [np.nan, 53.11, 53.120, 55.3]
})

# 1. 行归一化得到初始权重
df2 = df.div(df.sum(axis=1), axis=0)

# 2. 定义权重约束处理函数
N = 5
max_weight = 1 / np.sqrt(N)  # 约0.4472
eps = 1e-9  # 浮点误差容忍值

def adjust_weights(row):
    # 过滤NaN，保留索引
    valid = row.dropna()
    if len(valid) == 0:
        return row
    
    # 第一步：裁剪超限值，统计待分配权重
    clipped = valid.clip(upper=max_weight)
    remaining = valid.sum() - clipped.sum()
    
    current_weights = clipped.copy()
    # 循环分配剩余权重
    while remaining > eps:
        # 筛选未达上限的权重
        uncap_mask = current_weights < max_weight - eps
        uncap_weights = current_weights[uncap_mask]
        if len(uncap_weights) == 0:
            # 所有都达上限，剩余权重平均分配（极端边界情况，比如单行仅1个有效值）
            current_weights += remaining / len(current_weights)
            break
        
        # 按相对占比分配剩余权重
        sum_uncap = uncap_weights.sum()
        add_ratio = remaining / sum_uncap
        current_weights[uncap_mask] = uncap_weights * (1 + add_ratio)
        
        # 再次裁剪新超限的部分，更新剩余权重
        new_clipped = current_weights.clip(upper=max_weight)
        remaining = current_weights.sum() - new_clipped.sum()
        current_weights = new_clipped
    
    # 回填到原行，保留NaN
    row.loc[current_weights.index] = current_weights
    return row

# 3. 逐行应用处理逻辑
df_adjusted = df2.apply(adjust_weights, axis=1)

结果验证 #

输出df_adjusted即可查看处理后的权重，每行权重和始终为1，所有有效值均不超过max_weight，完全符合需求的分配规则。

内容的提问来源于stack exchange，提问作者MathMan 99