Python中同键多字典值的加权平均实现及优化问询

首先，咱们先聊聊你原代码的问题：Counter其实是为计数场景设计的，虽然它的update方法能累加数值，但在这里确实有点大材小用，而且你只做了加权值的累加，没除以权重的总和——这可能就是你得到的数值“毫无意义”的核心原因（如果权重总和远小于1，结果自然会很小）。

下面给你两种更简洁、直观的实现方式：

方法一：字典推导式（简洁易懂，适合小规模网格） #

这种方式直接对应“加权平均”的数学逻辑，代码可读性拉满，完全不需要额外工具：

def avg_grid(grid, w, labels=["V0", "omega", "kappa", "rho", "theta"]):
    weights = w[0]
    total_weight = sum(weights)
    # 对每个标签，遍历所有字典和对应权重计算加权平均
    return {
        label: sum(d[label] * weight for d, weight in zip(grid, weights)) / total_weight
        for label in labels
    }

为什么这更好？ #

• 逻辑完全贴合加权平均公式：(Σ(值×权重)) / Σ权重，一目了然
• 没有引入非必要的工具类，代码轻量且容易维护
• 自动处理了权重归一化，解决你之前数值过小的问题

方法二：Numpy实现（高效，适合大规模网格） #

如果你的参数网格规模很大（比如上千个字典），用Numpy的数组运算会比纯Python循环快几个数量级：

import numpy as np

def avg_grid(grid, w, labels=["V0", "omega", "kappa", "rho", "theta"]):
    weights = np.array(w[0])
    # 把所有字典的参数转成二维数组：每行对应一个字典的标签值
    param_matrix = np.array([[d[label] for label in labels] for d in grid])
    # 广播权重到每列，求和后除以总权重得到加权平均
    avg_values = (param_matrix * weights[:, np.newaxis]).sum(axis=0) / weights.sum()
    # 转成字典返回
    return dict(zip(labels, avg_values))

优势： #

• 数组运算的效率远高于Python原生循环，数据量越大优势越明显
• 用矩阵操作替代手动循环，逻辑依然清晰直观

补充：原代码的问题修复（不推荐，但供参考） #

如果你非要保留Counter的用法，其实只需要在最后除以总权重即可，但还是不建议这么做——毕竟Counter的定位是计数，在这里属于误用：

from collections import Counter
def avg_grid(grid, w, labels=["V0", "omega", "kappa", "rho", "theta"]):
    avgHeston = Counter({label: 0.0 for label in labels})
    weights = w[0]
    total_weight = sum(weights)
    for d, weight in zip(grid, weights):
        avgHeston.update({label: d[label] * weight for label in labels})
    # 转成字典后除以总权重得到加权平均
    return {k: v / total_weight for k, v in avgHeston.items()}

内容的提问来源于stack exchange，提问作者AleB