Python DataFrame全局配置：含NaN列不计算并返回NaN

针对你提到的大量DataFrame列计算场景，以下是几种实用的处理方式，确保只要涉及的列存在NaN，计算结果就返回NaN：

1. 利用Pandas默认行为（内置运算） #

Pandas的**内置算术运算（加、减、乘、除、幂等）**默认就会在输入包含NaN时返回NaN，无需额外全局设置。比如：

import pandas as pd
import numpy as np

df = pd.DataFrame({'col1': [1, 2, np.nan, 4], 'col2': [5, np.nan, 7, 8]})
df['new_col'] = df['col1'] + df['col2']

执行后new_col的结果是[6.0, NaN, NaN, 12.0]，符合需求。如果之前修改过相关配置，可通过重置恢复默认行为：

pd.reset_option('all')  # 重置所有pandas配置到默认

2. 全局处理自定义计算函数 #

如果程序包含大量自定义函数，不用逐个修改逻辑，写一个装饰器就能统一处理NaN输入：

def safe_calculation(func):
    def wrapper(*args, **kwargs):
        # 检查所有位置参数是否含NaN
        for arg in args:
            if pd.isna(arg):
                return np.nan
        # 检查所有关键字参数是否含NaN
        for val in kwargs.values():
            if pd.isna(val):
                return np.nan
        return func(*args, **kwargs)
    return wrapper

# 给自定义函数添加装饰器
@safe_calculation
def my_custom_calc(a, b):
    return (a * 3) - (b / 2)

# 应用到DataFrame
df['custom_result'] = df.apply(lambda row: my_custom_calc(row['col1'], row['col2']), axis=1)

所有被该装饰器修饰的函数，只要输入参数含NaN，就会直接返回NaN，无需在函数内部重复写判断逻辑。

3. 聚合类运算的全局处理 #

Pandas的聚合函数（如sum、mean）默认会跳过NaN，若想让这些函数遇NaN就返回NaN，可在调用时指定skipna=False。为避免重复写参数，可封装一个全局聚合工具函数：

def safe_agg(func, series):
    return func(series, skipna=False)

# 示例：计算每行的行和，遇NaN则返回NaN
df['row_sum'] = df.apply(lambda row: safe_agg(pd.Series.sum, row), axis=1)
# 示例：分组聚合，组内有NaN则结果为NaN
df['group_mean'] = df.groupby('group_col')['value_col'].transform(lambda x: safe_agg(pd.Series.mean, x))

4. 增强鲁棒性：把无穷值视为NaN #

如果计算可能产生无穷值（inf），可全局设置将inf当作NaN处理，避免后续计算异常：

pd.set_option('mode.use_inf_as_na', True)

这样后续运算中，inf会和NaN一样被处理，确保结果统一为NaN。

内容的提问来源于stack exchange，提问作者ImFabien75