np.nanmean能跳过nan计算均值，因其内部用布尔索引剔除nan后调用np.mean；支持axis参数按维处理，全nan时返回nan；不适用于object类型或含inf数据，且在稀疏nan场景下性能可能不佳。
np.nanmean 为什么能跳过 NaN 计算平均值
np.nanmean 的设计目标就是专为含 NaN 的数组求均值：它内部会先用布尔索引筛掉所有 NaN，再对剩余有效数值调用 np.mean。这和手动用 arr[~np.isnan(arr)].mean() 逻辑一致，但更简洁、支持多维与 axis 参数。
注意它不会修改原数组，也不报错——哪怕全都是 NaN，也会返回 nan（不是报错），这点和 np.mean 遇到 NaN 就直接返回 nan 不同（后者是传播 NaN，前者是主动剔除）。
axis 参数控制按行/列忽略 NaN 求均值
二维数组中，axis=0 表示对每列单独计算（结果是一维数组，长度等于列数）；axis=1 表示对每行单独计算（结果长度等于行数）。不传 axis 则展平后整体计算。
-
np.nanmean([[1, np.nan, 3], [4, 5, np.nan]], axis=0)→[2.5, 5.0, 3.0] -
np.nanmean([[1, np.nan, 3], [4, 5, np.nan]], axis=1)→[2.0, 4.5] -
np.nanmean([[np.nan, np.nan], [np.nan, np.nan]])→nan（无有效值）
常见错误：混用 np.mean 和 np.nanmean 导致结果异常
如果误用 np.mean 处理含 NaN 的数组，结果一定是 nan，哪怕只有一个 NaN——这是 IEEE 754 规则，不是 bug。而 np.nanmean 只在整列/整行都无效时才返回 nan。
另一个坑是忘记检查数据类型：object 类型数组传给 np.nanmean 会报 TypeError: unorderable types，必须先转成 float64 或用 pd.Series.astype(float) 预处理。
- 错误写法：
np.nanmean(np.array([1, 2, '3'], dtype=object)) - 正确写法：
np.nanmean(np.array([1, 2, np.nan], dtype=float))
性能与替代方案：什么情况下不该用 np.nanmean
当数组极大且稀疏（比如 99% 是 NaN），np.nanmean 仍需遍历全部元素判断是否为 NaN，此时用掩码索引 + np.mean 可能更快（尤其配合 numba 加速）。
若已在用 Pandas，Series.mean() 和 DataFrame.mean() 默认就跳过 NaN，无需显式调用 nanmean；反过来，NumPy 数组别硬套 pd.isna，会触发隐式转换开销。
真正容易被忽略的是：np.nanmean 对 inf 和 -inf 不做特殊处理，它们会被当作有效值参与计算——如果你的数据里混有无穷大，得先用 np.isfinite 过滤。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
