纽比方法：

下面例子中的df1在我回答的最后一节中定义
解决这个问题的最简单的方法是取一个np.nanprod，然后再取一个.sum()，这个答案的灵感来自this StackOverflow solution。

A = df1.iloc[:,:2].values
B = df1.iloc[:,2:].values

num = np.nanprod(np.dstack((A,B)),2).sum(1)
den = df1.iloc[:,2:].sum(1)

df1['sumproduct'] = num/den
print(df1)

product1  product2  p1 weight  p2 weight  sumproduct
0       NaN     15.25          0          4       15.25
1      10.0     10.00          2          3       10.00
2       8.0      2.00          5          1        7.00

Pandas方法：

Pandas的方法可能有点复杂，因为pandas.DataFrame.dot（基本上就是你想要的和积）在处理不同列名的 Dataframe 时没有给你很大的灵活性，但是，你可以使用pandas.groupby和一个自定义的grouper来轻松地做乘积。
尝试这种受this StackOverflow answer启发的方法-
一个二个一个一个

• • PS**-我使用这个 Dataframe 和一些附加行来演示上述解决方案。同时，我使用正确的np.nan代替NAN字符串来实现虚拟输入。

import pandas as pd
import numpy as np   #for adding proper Nans instead of strings

## added a few more rows for testing ##
#######################################
df1 = { 'product1':[np.nan,10,8],
        'product2':[15.25,10,2],
        'p1 weight':[0,2,5],
        'p2 weight':[4,3,1]}

df1=pd.DataFrame(df1)
#######################################

Pandas支持（并强制）数据对齐。当您对两个数据框应用操作时，该操作将应用于具有相同索引（名称）的行和列，而不是在相同位置。要对具有不同名称的一对列应用操作，您应该从中提取底层numpy数组：

# Clean the NAs
import numpy as np
df1.replace("N/A", np.nan, inplace=True)

(df1[cols_left].fillna(0).values * df1[cols_right].values).sum() / df1[cols_right].sum(1)
#0    15.25

注意，nan * 0仍然是nan，必须将nan s转换为有限数（例如，转换为0）才能获得数值结果。