Python NumPy如何忽略nan值计算列表对应位置元素均值

NumPy自带和MATLAB mean(..., 'omitnan') 功能完全对等的API，无需手动编写过滤缺失值的逻辑。

实现步骤 #

首先修正原代码的细节问题：Python无内置nan常量，缺失值需使用np.nan定义，再将嵌套列表转为NumPy数组以支持按维度计算：

import numpy as np
a = [1, 2, 3, 4, 5, 6]
b = [np.nan, 2, 3, np.nan, 5, 6]
c = [np.nan, 2, 3, 4, 5, 6]

data = np.array([a, b, c])

直接调用缺失值友好的均值函数np.nanmean，指定axis=0即按列（所有列表的同位置元素）计算统计值：

position_mean = np.nanmean(data, axis=0)

运行得到结果[1. 2. 3. 4. 5. 6.]，计算逻辑完全符合要求：

• 索引0位置有效数值仅为1，均值为1
• 索引3位置有效数值为4、4，均值为4
• 其余位置三个值均为有效数值，计算结果和普通均值一致

其他缺失值友好的统计API #

NumPy提供了全系列自动跳过NaN的统计函数，覆盖常见计算需求：

• 逐位置非NaN求和：np.nansum(data, axis=0)
• 逐位置非NaN标准差：np.nanstd(data, axis=0)
• 逐位置非NaN最大值：np.nanmax(data, axis=0)
• 逐位置非NaN最小值：np.nanmin(data, axis=0)

直接使用np.mean无法得到正确结果的原因：普通统计函数只要在计算范围内检测到NaN，就会直接返回NaN，不会自动过滤缺失值。

内容的提问来源于stack exchange，提问作者Natasha