如何在Pandas DataFrame中将np.zeros(2)替换为np.NaN

问题根源 #

你之前用replace、eq等方法无效，是因为Pandas默认的元素比较针对标量或同结构数组的逐值匹配，但你的DataFrame里的元素是独立的numpy数组对象——即使两个数组内容全为0，它们的内存地址不同，直接用==比较会判断为不相等，所以无法匹配到目标数组。

解决方案：逐个元素检查内容 #

用applymap遍历DataFrame的每个元素，判断其是否为形状(2,)的全零numpy数组，满足条件则替换为np.nan：

import pandas as pd
import numpy as np

# 初始化你的DataFrame
df = pd.DataFrame({'x' : [np.zeros(2), np.array([1,2])], 'y' : [np.array([3,2]),0], 'z' : [np.array([4,5]),np.zeros(2)], 't' : [np.array([3,4]),np.array([4,5])]})

# 定义替换逻辑函数
def replace_zero_arr(val):
    if isinstance(val, np.ndarray) and val.shape == (2,) and (val == 0).all():
        return np.nan
    return val

# 应用到整个DataFrame
df = df.applymap(replace_zero_arr)

后续计算每行有效数组的均值 #

替换完成后，你可以通过apply遍历每行，筛选出非NaN、非标量0的数组，合并后计算均值：

def calculate_row_mean(row):
    # 筛选有效数组：排除NaN和标量0
    valid_arrs = [arr for arr in row if not pd.isna(arr) and arr != 0]
    if not valid_arrs:
        return np.nan
    # 合并所有有效数组并计算均值
    combined_arr = np.concatenate(valid_arrs)
    return combined_arr.mean()

# 生成每行均值
row_averages = df.apply(calculate_row_mean, axis=1)

内容的提问来源于stack exchange，提问作者user1627466