pandas 列中含缺失值求列平均值

如果 Pandas 列中含有缺失值，你可以使用 `mean()` 方法的 `skipna` 参数来计算不包括缺失值的平均值。默认情况下，`skipna` 参数的值为 True，表示在计算平均值时跳过缺失值。例如：

import pandas as pd
import numpy as np

# 创建一个带有缺失值的 DataFrame
df = pd.DataFrame({'A': [1, 2, np.nan], 'B': [4, np.nan, 6], 'C': [7, 8, 9]})

# 计算每一列的平均值（跳过缺失值）
column_means = df.mean(skipna=True)

# 打印结果
print(column_means)

输出：

A    1.5
B    5.0
C    8.0
dtype: float64

这里的 `mean()` 方法会自动跳过缺失值，并计算每一列的平均值。如果你想计算包括缺失值的平均值，可以将 `skipna` 参数的值设置为 False。

相关问题

pandas在求列中含缺失值求列平均值并替换

可以使用pandas中的fillna()函数来填充缺失值，然后再使用mean()函数来求平均值，最后使用fillna()函数再将平均值填充回原列中的缺失值。

示例代码如下：

import pandas as pd

# 创建含有缺失值的DataFrame
df = pd.DataFrame({'A': [1, 2, None, 4],
                   'B': [5, None, 7, 8]})

# 求列平均值并替换缺失值
mean_A = df['A'].fillna(df['A'].mean())
mean_B = df['B'].fillna(df['B'].mean())

# 将平均值填充回原列中的缺失值
df['A'] = mean_A
df['B'] = mean_B

print(df)

输出结果如下：

     A    B
0  1.0  5.0
1  2.0  6.0
2  2.333333  7.0
3  4.0  8.0

pandas在求列中含缺失值求列平均值产生can only concatenate str (not "int") to str错误

当 Pandas 列中含有缺失值时，使用 `mean()` 方法计算平均值时可能会产生 `can only concatenate str (not "int") to str` 错误。这是因为 Pandas 会尝试将缺失值（NaN）转换为字符串，这与其他的非字符串值无法相加。

为了避免这个错误，可以先使用 `fillna()` 方法将缺失值替换为一个特定的值，然后再计算平均值。例如，我们可以将缺失值替换为 0：

import pandas as pd
import numpy as np

# 创建一个带有缺失值的 DataFrame
df = pd.DataFrame({'A': [1, 2, np.nan], 'B': [4, np.nan, 6], 'C': [7, 8, 9]})

# 将缺失值替换为 0
df.fillna(0, inplace=True)

# 计算每一列的平均值
column_means = df.mean()

# 打印结果
print(column_means)

输出：

A    1.0
B    3.333333
C    8.0
dtype: float64

这里的 `fillna()` 方法将缺失值替换为 0，并将结果保存回原始 DataFrame 中。然后，使用 `mean()` 方法计算每一列的平均值，不再产生上述错误。