避免类中使用空变量：筛选非None的pd.Series并统计有效数量

首先看你定义的数据类：

@dataclass
class MyClass:
    df1: pd.Series = None
    df2: pd.Series = None
    df3: pd.Series = None
    df4: pd.Series = None
    df5: pd.Series = None

    @property
    def series_mean(self) -> pd.Series:    
        series_mean = (
            self.df1
            + self.df2
            + self.df3
            + self.df4
            + self.df5
        ).mean()

        return series_mean

解决思路与实现 #

1. 筛选非None的Series

把所有df属性收集到列表中，过滤掉None值，只保留有效的pd.Series对象，避免无效值参与运算报错。

2. 统计有效属性数量并手动计算均值

通过有效Series列表的长度获取有效属性数量，求和后除以该数量，替代.mean()方法，实现按有效属性个数计算均值的需求。

修改后的完整代码 #

from dataclasses import dataclass
import pandas as pd

@dataclass
class MyClass:
    df1: pd.Series = None
    df2: pd.Series = None
    df3: pd.Series = None
    df4: pd.Series = None
    df5: pd.Series = None

    @property
    def series_mean(self) -> pd.Series:
        # 收集所有非None的有效Series
        valid_series = [s for s in [self.df1, self.df2, self.df3, self.df4, self.df5] if s is not None]
        
        # 处理无有效Series的边界场景，可根据需求调整返回值
        if not valid_series:
            return pd.Series([pd.NA])
        
        # 求和后除以有效属性数量
        total_sum = sum(valid_series)
        valid_count = len(valid_series)
        return total_sum / valid_count

补充说明 #

• 列表推导式的写法简洁高效，避免了逐个判断属性是否为None的冗余代码。
• 增加了边界处理逻辑，当没有任何有效Series时返回含pd.NA的Series，你也可以根据业务需求改成抛出异常或返回空Series。
• 手动计算均值的方式更贴合你的需求：有效属性有N个就除以N，和.mean()按元素维度计算均值的逻辑完全不同，更符合场景要求。

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