含NaN和数组的Pandas DataFrame行均值计算问题

首先复现问题场景：

import pandas as pd
import numpy as np
df = pd.DataFrame({'x' : [np.NaN, np.array([0,2])], 'y' : [np.array([3,2]),np.NaN], 'z' : [np.array([4,5]),np.NaN], 't' : [np.array([3,4]),np.array([4,5])]})

直接调用df.mean(axis=1)会返回全NaN，原因是pandas顶层mean方法无法处理行内混合NaN与数组的类型；而df.sum(axis=1)能正常工作，是因为sum逻辑会自动跳过NaN，对数组执行逐元素相加。

以下是两种更简洁的解决方案：

方法1：使用apply逐行处理 #

这是列表推导的简洁替代，利用Series的mean方法自动跳过NaN并计算数组逐元素均值：

result = df.apply(lambda row: row.mean(), axis=1)

输出结果：

0    [3.3333333333333335, 3.6666666666666665]
1                                      [2.0, 3.5]
dtype: object

方法2：向量化计算（性能更优） #

结合sum和非NaN元素计数实现，避免逐行循环开销，适合大数据集：

# 计算每行非NaN元素的数量
non_nan_count = df.notna().sum(axis=1)
# 用逐行总和除以计数得到均值数组
result = df.sum(axis=1) / non_nan_count

此方法结果与方法1完全一致，但执行效率更高，因为sum和notna都是pandas的向量化操作。

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