np.mean()遇nan返回nan是因ieee 754规则，求和即得nan；应改用np.nanmean()，但需注意整数输入返float、全nan轴仍返nan、布尔数组转数值计算；掩码数组更适复杂场景。
NumPy中用 np.mean() 计算含 NaN 的数组会直接返回 nan，这不是计算错误，而是默认行为——它不跳过缺失值。要得到“忽略 NaN 后的均值”，必须显式使用 np.nanmean()。
为什么 np.mean() 一遇到 NaN 就失效
因为 IEEE 754 规定任何数与 NaN 运算结果都是 NaN，而 np.mean() 底层是先求和再除以个数，只要数组里有一个 NaN，求和结果就是 nan，后续除法也维持 nan。
常见错误现象：
- 明明只有一两个缺失值，
np.mean(arr)却返回nan - 用
arr.mean()（ndarray 方法）结果一样，它等价于np.mean(arr) - 误以为加
axis参数能绕过这个问题——不能，axis只控制维度，不改变 NaN 处理逻辑
用 np.nanmean() 替代，但要注意三个关键点
np.nanmean() 不是万能补丁，它跳过 NaN 后计算均值，但行为受数据类型和空数组影响：
- 输入是整数数组（如
dtype=int64）时，np.nanmean()仍返回float64—— 因为均值可能非整数，无法隐式转回 int - 如果某轴上所有值全是
NaN（例如np.nanmean([np.nan, np.nan], axis=0)），结果仍是nan，不会报错也不会返回 0 - 对布尔数组使用
np.nanmean()会先将True/False转为1.0/0.0，再跳过NaN计算，不是统计 True 比例的快捷方式
示例：
import numpy as np arr = np.array([1, 2, np.nan, 4]) print(np.mean(arr)) # nan print(np.nanmean(arr)) # 2.3333333333333335
替代方案：用 np.ma.masked_invalid() 做更精细控制
当需要区分“缺失值”和“真实零值”，或想在同一个数组里混合处理多种掩码条件（比如同时屏蔽 NaN 和负数），np.nanmean() 就不够用了。此时用掩码数组更稳妥：
-
np.ma.masked_invalid(arr)自动把NaN和inf设为掩码，之后调用.mean()等方法会自动跳过 - 掩码数组保留原始 dtype，且支持链式操作，比如
np.ma.masked_invalid(arr).compressed()可得去 NaN 后的纯值数组 - 注意：
np.ma返回的是MaskedArray对象，直接参与普通 NumPy 运算可能触发隐式转换，建议显式调用.data或.filled()
容易被忽略的边界情况
真正出问题的往往不是单个 NaN，而是这些场景：
- 从 CSV 或数据库读入数据后未检查，
np.array(df['col'])把None或空字符串转成了object类型数组，此时np.nanmean()会报TypeError: ufunc 'isnan' not supported for the input types - 使用
np.float32数组时，np.nanmean()默认返回float64，若需保持精度一致，得加dtype=np.float32参数 - 多维数组中某整行/列全为
NaN，用axis=1计算时对应位置结果为nan，下游代码若没做np.isnan()检查，可能引发连锁错误
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！
