df.mean(axis=1)返回全NaN值的技术求助

咱们来一步步排查为什么你的行均值全是NaN——我之前处理制表符分隔的批量文件时也踩过类似的坑，下面是最可能的原因和对应的解决办法：

1. 读取的列不是数值类型（最常见原因） #

如果你的文本文件里包含非数值字符（比如空格、注释符号、无关字符串），Pandas会把列的类型设为object（字符串型），这时调用mean(axis=1)自然会返回NaN——因为字符串没法计算均值。

排查方式：在循环里加一行打印数据类型，快速验证：

with open(os.path.join(path, file)) as f:
    df = pd.read_csv(f, sep="\t", header=1)
    print(f"文件 {file} 的列类型:\n{df.dtypes}")  # 查看每列的数据类型
    dfs.append(df)

如果输出里大部分列都是object类型，那就是这个问题。

解决办法：

• 先打开一个C1_LRC.TXT文件，手动检查数据行里有没有非数值内容；
• 用pd.to_numeric强制转换目标列，或者在读取时指定类型：

# 读取时强制所有列为浮点型
df = pd.read_csv(f, sep="\t", header=1, dtype=float)
# 或者只转换目标列，把非数值转成NaN
df['你的目标列名'] = pd.to_numeric(df['你的目标列名'], errors='coerce')

2. 你可能没提取「目标列」，而是拼接了所有列 #

你提到要“将每个文件中的目标列合并”，但当前代码是把整个DataFrame都加入了dfs列表，然后横向拼接。如果每个原始文件有很多无关列（比如注释列、序号列），这些列大概率是非数值型，会导致整个行的均值计算失效。

修正方式：在循环里只提取你需要的目标列，比如假设目标列叫LRC_Data：

with open(os.path.join(path, file)) as f:
    df = pd.read_csv(f, sep="\t", header=1)
    target_col = df['LRC_Data']  # 替换成你实际的目标列名
    dfs.append(target_col)

这样拼接后的big_frame只会包含你需要的数值列，计算均值就正常了。

3. header=1参数可能用错了 #

header=1表示用文件的第2行（索引从0开始）作为列名，但如果你的文件前两行都是注释/说明文字，实际数据从第3行开始，那这个参数会把第2行的文字当成列名，导致后续的数据读取混乱，甚至全是NaN。

排查方式：打印第一个读取的文件内容，验证数据是否正确：

with open(os.path.join(path, file)) as f:
    df = pd.read_csv(f, sep="\t", header=1)
    print(f"文件 {file} 的前5行:\n{df.head()}")
    break  # 只看第一个文件的内容

如果看到列名是奇怪的字符串，或者数据全是NaN，可以试试header=None（不用表头，用默认列名），或者skiprows=2（跳过前两行，从第三行开始读数据）。

4. 分隔符不是真正的制表符 #

你指定了sep="\t"，但有些文件看起来是制表符分隔，实际是用多个空格或者空格+制表符混合，这会导致Pandas无法正确拆分列，所有数据挤在一列里，或者列拆分错误变成非数值型。

修正方式：用sep="\s+"匹配任意空白字符（包括空格和制表符）试试：

df = pd.read_csv(f, sep="\s+", header=1)

假设你需要提取每个文件的第3列（索引为2）作为目标列，代码可以改成这样：

import os
import pandas as pd

path = 'C:/.../...'
dfs = []
for file in os.listdir(path):
    if file.endswith('C1_LRC.TXT'):
        file_path = os.path.join(path, file)
        # 跳过前两行注释，用任意空白分隔，只取第3列
        df = pd.read_csv(file_path, sep="\s+", skiprows=2, usecols=[2], header=None)
        # 确保列是数值型，非数值转NaN
        df = df.apply(pd.to_numeric, errors='coerce')
        dfs.append(df)

big_frame = pd.concat(dfs, axis=1, ignore_index=True)
big_frame['average'] = big_frame.mean(axis=1)
print(big_frame)

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