如何在pandas中计算列的分组加权聚合，实现赛事胜率到赛季评分转换

问题原因分析 #

你之前的过滤操作失败是因为groupby + value_counts返回的结果中，outcome是多级索引的层级之一，并非数据列，所以直接按列过滤会报错。返回结果的索引默认是[season, opponent, outcome]三级，数值列存储的是占比。

分步实现方案（DF1→DF2→DF3） #

步骤1：正确生成仅包含胜率的DF2 #

# 把outcome的w/l结果从索引转成列，直接提取胜场占比就是胜率
df2 = df1.groupby(["season", "opponent"])["outcome"].value_counts(normalize=True).unstack()
# 取w列作为胜率，没有胜场的对阵默认填充0，重命名列后重置索引
df2 = df2.get("w", 0).reset_index(name="win_rate")

步骤2：支持自定义权重的赛季评分计算（生成DF3） #

支持传入自定义Lambda函数实现权重逻辑，完全匹配你给出的评分公式：

# weight_rule参数可传入自定义Lambda调整不同对手的权重
def calculate_season_score(group, weight_rule=lambda oppo: 2 if oppo == "A" else 1):
    group["weight"] = group["opponent"].apply(weight_rule)
    # 加权平均计算逻辑和示例公式完全对齐：权重总和 = A队2 + 其他队各1 = 队伍总数 + 1
    total_weighted_win = (group["win_rate"] * group["weight"]).sum()
    total_weight = group["weight"].sum()
    return total_weighted_win / total_weight

# 按赛季分组计算总评分，得到最终DF3
df3 = df2.groupby("season").apply(calculate_season_score).reset_index(name="season_score")

更高效的一步到位实现（无需生成中间DF2） #

如果不需要用DF2做其他分析，可以直接从原始DF1计算得到DF3，减少内存占用：

def calc_score_from_raw(group, weight_rule=lambda oppo: 2 if oppo == "A" else 1):
    # 直接计算当前赛季每个对手的胜率
    oppo_win_rate = group.groupby("opponent")["outcome"].apply(lambda x: (x == "w").mean())
    # 应用权重规则计算加权分
    weights = oppo_win_rate.index.to_series().apply(weight_rule)
    return (oppo_win_rate * weights).sum() / weights.sum()

df3 = df1.groupby("season").apply(calc_score_from_raw).reset_index(name="season_score")

内容的提问来源于stack exchange，提问作者Alvin Teh