如何使用Pandas iloc计算DataFrame每行的非零值条件均值

现有如下结构的DataFrame（实际包含更多列）：

Customer   Group1     jan_revenue feb_revenue mar_revenue
  Sam      Bank A          40           50          0
Wilson     Bank A          60           70         30
  Jay      Bank B          10           40         40
  Jim      Bank A           0           40         70
  Yan      Bank C           0           40         90
  Tim      Bank C          10            0         50

需求为：为每位客户计算收入列的均值，但仅计算非零值（例如Sam的均值为(40+50)/2=45，Wilson的均值为(60+70+30)/3≈53.3333）。

由于收入列数量较多，已使用iloc选中目标列，但当前代码会包含0值计算均值：

df['avg_revenue21'] = df.iloc[:,27:39].mean(axis=1)

需要实现使用iloc的同时，仅对非零值计算均值。

核心思路是将0值转换为缺失值（NaN），利用pandas的mean方法默认跳过缺失值的特性，结合iloc完成需求，以下是两种可行方式：

方法一：使用where替换0为NaN #

# 选中目标列，将0值替换为NaN后计算均值
df['avg_revenue21'] = df.iloc[:,27:39].where(df.iloc[:,27:39] != 0).mean(axis=1)

where方法会保留满足条件（非零）的值，不满足的设为NaN，后续mean会自动忽略NaN计算均值。

方法二：使用replace替换0为NaN #

import numpy as np

# 替换0为NaN后计算均值
df['avg_revenue21'] = df.iloc[:,27:39].replace(0, np.nan).mean(axis=1)

这种方式需要导入numpy，直接将目标列中的所有0值替换为NaN，再调用mean完成计算。

两种方法都能高效实现需求，且保留了iloc批量选中列的逻辑。

内容的提问来源于stack exchange，提问作者Jyc