python为什么.mean()函数会求出nan值

Python的`.mean()`函数（无论是Pandas DataFrame的`mean()`还是NumPy的`nanmean()`）默认情况下会计算可数非空元素的算术平均值。当遇到缺失值（NaN，Not a Number）时，这些值会被忽略。这是因为`mean()`旨在计算数值数据集中正常值的典型代表。

然而，如果你的数据集中包含大量或全部的NaN值，直接调用`.mean()`将会导致`NaN`作为结果返回，因为没有任何数值可用于计算平均值。这是为了保持统计上的严谨性，避免因缺失值而得到误导的结果。

例如，在Pandas DataFrame中[^1]：

import pandas as pd
df = pd.DataFrame({'A': [1, 2, np.nan], 'B': [np.nan, 4, 5]})
df['C'].mean()  # 结果为 NaN，因为'C'列全由NaN组成

如果你想排除NaN并计算非缺失值的平均，可以使用`fillna()`方法填充缺失值后再计算：

df['C'].fillna(df['C'].mean()).mean()  # 先填充平均值再计算

或者在NumPy中使用`nanmean()`[^2]：

import numpy as np
data = [1, 2, np.nan]
np.nanmean(data)  # 结果也是NaN，因为有NaN值

要计算非NaN值的平均，你可以设置`axis=None`，它会先删除NaN再计算平均：

np.nanmean(data, axis=None)  # 或者 np.nanmean(data, keepdims=True)