np.mean中的变量中有nan导致结果是nan，怎么解决

当在`numpy`中的`mean()`函数遇到`NaN`（Not a Number）值时，由于`NaN`对算术运算不做任何特殊处理，所以它会被当作缺失值对待，计算平均值时就会包含`NaN`而导致结果也是`NaN`。这是`np.nan`的一个特性。

要解决`np.mean()`中因`NaN`导致结果也是`NaN`的问题，你可以采取以下几种方法：

1. **忽略`NaN`**：使用`np.nanmean()`函数，它会自动忽略`NaN`值，只计算非`NaN`的数值平均值。

   import numpy as np
   data = [1, 2, np.nan, 4]  # 假设data中有一个NaN
   result = np.nanmean(data)

2. **填充值替换**：先将`NaN`替换为其他值再求平均，如0（这通常不是最佳选择，因为会影响实际数据分布）：

   data_with_zero = data.copy()
   data_with_zero[data == np.nan] = 0
   result = np.mean(data_with_zero)

3. **条件过滤**：检查数据是否包含`NaN`，然后仅对非`NaN`的部分计算平均：

   data_without_nan = [x for x in data if not np.isnan(x)]
   result = np.mean(data_without_nan)

4. **使用特定统计方法**：某些情况下，你可能希望根据业务规则来处理`NaN`，比如使用中位数代替平均值，这时可以使用`np.median()`。

记得在实际应用中，选择哪种处理方式应根据你的数据特性和分析目的来定。