Pandas/Numpy加权平均ZeroDivisionError：lambda分组聚合报错求助

我之前也碰到过一模一样的情况——当分组内的权重总和为0时，np.average确实会直接抛出除零错误。这里有几个简单又健壮的解决思路：

方法一：提前检查权重总和（推荐） #

把原来的lambda函数替换成一个更清晰的命名函数，在计算加权平均前先判断权重总和是否为0，再返回合理的默认值（比如np.nan，方便后续缺失值处理）：

import numpy as np
import pandas as pd

def safe_weighted_mean(x, weights_series):
    # 提取当前分组对应的权重
    group_weights = weights_series.loc[x.index]
    total_weight = group_weights.sum()
    
    if total_weight == 0:
        # 根据业务需求选择返回值：NaN/0/其他
        return np.nan
    return np.average(x, weights=group_weights)

# 定义聚合字典，传入权重列
agg_dict = {
    'DRESS_AMT': 'max',
    'FACE_AMT': 'sum',
    'Other_AMT': {'weighted_mean': lambda x: safe_weighted_mean(x, df['WEIGHTS'])}
}

# 执行分组聚合
df2 = df.groupby(['ID','COL1'], as_index=False).agg(agg_dict)

如果还是偏好lambda的简洁性，也可以写成紧凑版（可读性稍差，但功能一致）：

wm = lambda x: np.average(x, weights=df.loc[x.index, 'WEIGHTS']) if df.loc[x.index, 'WEIGHTS'].sum() != 0 else np.nan

agg_dict = {'DRESS_AMT': 'max', 'FACE_AMT': 'sum', 'Other_AMT': {'weighted_mean' : wm}}
df2 = df.groupby(['ID','COL1'], as_index=False).agg(agg_dict)

方法二：捕获异常处理 #

如果想更灵活地处理错误（比如记录日志），可以用try-except捕获ZeroDivisionError：

wm = lambda x: (
    np.average(x, weights=df.loc[x.index, 'WEIGHTS']) 
    if df.loc[x.index, 'WEIGHTS'].sum() != 0 
    else np.nan
)

agg_dict = {'DRESS_AMT': 'max', 'FACE_AMT': 'sum', 'Other_AMT': {'weighted_mean' : wm}}
df2 = df.groupby(['ID','COL1'], as_index=False).agg(agg_dict)

小提示 #

• 返回np.nan是比较推荐的做法，因为pandas对缺失值有成熟的处理工具（比如fillna()、dropna()），可以根据后续业务需求灵活处理。
• 如果业务上权重总和为0是不应该出现的异常情况，可以在函数里抛出自定义异常，方便排查问题。

内容的提问来源于stack exchange，提问作者babz