本文介绍如何对嵌套列表按列（相同索引位置）聚合计算：先求各列非零元素之和，再除以该列非零元素个数，最终得到每列的非零均值。重点推荐使用 numpy 实现，仅需一行代码即可高效、清晰地完成任务。
本文介绍如何对嵌套列表按列（相同索引位置）聚合计算：先求各列非零元素之和，再除以该列非零元素个数，最终得到每列的非零均值。重点推荐使用 numpy 实现，仅需一行代码即可高效、清晰地完成任务。
在处理矩阵式数据（如多用户评分、传感器多通道时序）时，常需沿列方向（即同一特征/时间点）进行统计——但要求排除零值干扰（例如 0 表示未评分，而非真实评分为 0）。原始循环逻辑错误在于：内层循环遍历了所有行列组合，导致结果被展平为一维长列表，且未按列分组累加。
正确思路是：按列（索引 j）分组，收集所有 data[i][j]，过滤掉 0，再求和与计数。手动实现虽可行，但易出错、可读性差；而 NumPy 提供了面向数组的向量化操作，天然支持此类“轴向聚合”。
✅ 推荐方案：NumPy 向量化一行解决
import numpy as np
rating_values = [
[0, 5, -3, 5, 0, 0],
[-3, 0, 1, 0, 5, 0],
[1, 0, 5, 0, -5, 0],
[-3, 0, 3, 0, 0, 5]
]
# 转为 NumPy 数组
x = np.array(rating_values)
# 核心逻辑：列方向求和 ÷ 列方向非零计数
y = np.sum(x, axis=0) / np.sum(x != 0, axis=0)
# 输出结果（自动广播除法，遇分母为0时返回 inf；此处无全零列，故安全）
print(y.round(5).tolist()) # [-1.66667, 5.0, 1.5, 5.0, 0.0, 5.0]
关键解析：
- axis=0 表示沿行方向压缩，即对每一列独立运算；
- np.sum(x, axis=0) → 每列元素总和：[-5, 5, 6, 5, 0, 5]；
- x != 0 生成布尔数组，np.sum(..., axis=0) 统计每列 True 个数（即非零数量）：[3, 1, 4, 1, 2, 1]；
- 向量除法 [-5/3, 5/1, 6/4, 5/1, 0/2, 5/1] → [-1.666..., 5.0, 1.5, 5.0, 0.0, 5.0]。
⚠️ 注意事项与健壮性增强
若数据中存在整列全为零的情况（如某维度无有效观测），np.sum(x != 0, axis=0) 对应位置为 0，直接相除将产生 inf 或 nan。此时建议添加防错处理：
nonzero_counts = np.sum(x != 0, axis=0) # 分母为0的位置设为1（避免除零），结果对应位置设为0 denominator = np.where(nonzero_counts == 0, 1, nonzero_counts) y_safe = np.sum(x, axis=0) / denominator y_safe = np.where(nonzero_counts == 0, 0, y_safe) # 全零列结果置0
? 纯 Python 实现（理解原理，不推荐生产使用）
若因环境限制无法使用 NumPy，可借助 zip(*data) 转置实现列遍历：
average_list = []
for col in zip(*rating_values): # col 是元组：(0,-3,1,-3), (5,0,0,0), ...
nonzeros = [x for x in col if x != 0]
avg = sum(nonzeros) / len(nonzeros) if nonzeros else 0
average_list.append(round(avg, 5))
print(average_list) # [-1.66667, 5.0, 1.5, 5.0, 0.0, 5.0]
总结： 对于结构化二维数据的轴向统计，NumPy 不仅代码简洁、性能优异，更能准确表达“列操作”语义。优先选用 np.sum(arr, axis=0) 与布尔数组计数组合，避免手动嵌套循环导致的逻辑混乱与维度错误。
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！
