np.nanmean能自动忽略nan，因其内部用np.isfinite过滤非有限值（含nan、inf）后调用np.mean；支持axis参数按维计算，全nan时返回nan，不修改原数组，但不支持object类型。
np.nanmean 为什么能自动忽略 NaN
np.nanmean 是 NumPy 专门为含缺失值的数值数组设计的均值函数，它内部会先用 np.isfinite 或等效逻辑过滤掉 np.nan、np.inf 和 -np.inf，再对剩余有效数字调用 np.mean。它不会修改原数组，也不依赖 pandas，纯 NumPy 原生实现，适合处理 ndarray 场景。
注意：它对非数值类型（如字符串、None）直接报错，None 不会被识别为 np.nan —— 必须显式转换。
常见错误：传入 list 或含 None 的数据直接崩
直接把 Python 原生 list 里混着 None 传给 np.nanmean，会触发 TypeError: unsupported operand type(s) for +: 'float' and 'NoneType'；因为 NumPy 在尝试转 ndarray 时遇到 None 会生成 object 类型数组，而 np.nanmean 不支持 object dtype。
- 正确做法：先用
np.array(data, dtype=float)强制转 float，None会自动变成np.nan - 或用
np.where/pd.to_numeric（如果已用 pandas）预清洗 - 避免写
np.nanmean([1, 2, None, 4])—— 这行不通
axis 参数控制按行/列忽略 NaN 求均值
多维数组中，axis 决定“沿着哪个维度压缩”，也就是“在哪个方向上忽略 NaN 并求均值”。容易混淆的是：axis=0 表示按列操作（结果是每列一个均值），axis=1 表示按行操作（结果是每行一个均值）。
图片提示词生成器？不止如此。 马甲系统 —— 把脑海中的画面，翻译成AI能理解的专业表达。 用得越多，它越懂你：首次需要多问几句确认方向，用久了几乎一说就懂。 用得越多，它越快：缓存机制让后续对话越来越省。 RAG进化：成功案例持续入库，越跑越聪明。 输入「新手指南」查看完整功能介绍
例如：
import numpy as np
a = np.array([[1, np.nan, 3],
[4, 5, np.nan]])
np.nanmean(a, axis=0) # → array([2.5, 5. , 3. ])：每列的均值
np.nanmean(a, axis=1) # → array([2., 4.5])：每行的均值
不指定 axis（默认 axis=None）则展平后全局计算，等价于 np.nanmean(a.ravel())。
和 np.mean 的关键区别：NaN 处理策略不同
np.mean 遇到 np.nan 会直接返回 np.nan（传播 NaN），而 np.nanmean 显式跳过它们。这不是“更智能”，而是语义不同：前者是标准算术均值定义（任何 NaN 输入导致结果未定义），后者是统计学中常见的“缺失值剔除后估计”。
- 若你希望保留 NaN 传播行为（比如做中间计算校验），别误用
np.nanmean - 若数组里有
inf，np.nanmean默认也跳过；但若需保留inf参与计算，得先用np.isfinite手动掩码 - 性能上，
np.nanmean比先用布尔索引再mean略快，因底层做了优化
真正容易被忽略的是：当整行/整列全是 np.nan 时，np.nanmean 仍会返回 np.nan —— 它不是“保证有值”，只是“跳过已有 NaN”。这点在循环聚合或绘图前必须检查。
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！
