嘿，我刚看完你的代码，发现几个导致NaN替换失败的关键问题，咱们一步步来解决：

为什么你的代码没生效？ #

• replace方法没修改原数据：pandas的replace默认返回新的DataFrame副本，不会改动原来的data。除非你加上inplace=True参数，或者把结果重新赋值给data。
• 手动循环遍历元素效率低还易出错：pandas是为向量化操作设计的，两层循环逐个检查元素的方式不仅慢，还容易因为索引问题踩坑。
• math.isnan的局限性：如果列里有非数值类型数据（比如字符串），math.isnan会报错；处理pandas的NaN时，用pd.isna()会更稳妥。

正确的解决方法（推荐向量化操作） #

直接用pandas内置的fillna和mean方法，一行代码就能搞定所有数值列的NaN替换：

import pandas as pd

# 计算每列的数值均值，自动替换对应列的NaN
data = data.fillna(data.mean(numeric_only=True))

• data.mean(numeric_only=True)会自动跳过非数值列，计算每列的均值；
• fillna会把每列的NaN值替换成该列的均值，返回新的DataFrame，重新赋值给data就完成修改了。

如果需要针对特定列单独处理（比如某些列不适合用均值填充），可以这样写：

import pandas as pd
import statistics

for col in data.columns:
    # 只处理数值型列
    if pd.api.types.is_numeric_dtype(data[col]):
        # 先去掉NaN再计算均值
        col_mean = statistics.mean(data[col].dropna())
        # 直接替换该列的NaN
        data[col] = data[col].fillna(col_mean)

如果你想修改原代码让它生效（不推荐，但可理解问题） #

如果一定要保留你的循环思路，需要调整两点：

import math
import statistics

for col in data.columns:
    # 先计算该列的均值（去掉NaN）
    col_mean = statistics.mean(data[col].dropna())
    # 对列中的每个元素判断替换，直接赋值回原列
    data[col] = data[col].apply(lambda x: col_mean if math.isnan(x) else x)

不过还是强烈建议用前面的向量化方法，速度快且代码更简洁。

内容的提问来源于stack exchange，提问作者Whiteox