向量化实现Numpy矩阵带条件行均值计算（跳过0值）

刚好遇到过类似的需求——要计算矩阵每行的均值但忽略指定的0值，还得用向量化操作保证效率对吧？这里有两种简洁高效的实现方式，完全符合你的要求：

首先先构造你给出的示例矩阵：

import numpy as np

rdat = np.array([
    [5.,3.,0.,1.],
    [4.,0.,0.,1.],
    [1.,1.,0.,5.],
    [1.,0.,0.,4.],
    [0.,1.,5.,4.]
], dtype=np.float32)

方法一：手动计算总和与有效元素数 #

# 1. 计算每行所有元素的总和
row_sums = np.sum(rdat, axis=1)
# 2. 统计每行非0元素的个数
non_zero_counts = np.count_nonzero(rdat, axis=1)
# 3. 计算均值，同时处理全0行避免除以0的错误
row_means = np.where(non_zero_counts == 0, 0.0, row_sums / non_zero_counts)

print(row_means)
# 输出：array([3.        , 2.5       , 2.3333333 , 2.5       , 3.3333333 ], dtype=float32)

这种方法的核心是用np.sum和np.count_nonzero两个向量化函数分别计算每行的总和与有效元素数，最后做除法。np.where用来处理极端情况（整行都是0），避免出现RuntimeWarning。

方法二：利用np.nanmean自动忽略无效值 #

# 将矩阵中的0替换为NaN（NaN会被np.nanmean自动忽略）
rdat_nan = np.where(rdat == 0, np.nan, rdat)
# 计算每行的均值，自动跳过NaN
row_means_nan = np.nanmean(rdat_nan, axis=1)

print(row_means_nan)
# 输出和上面完全一致的结果

这种方法更直观，代码也更简洁。np.nanmean是Numpy专门为这种需要忽略无效值的均值计算设计的函数，内部也是完全向量化实现的，效率和第一种方法不相上下，但可读性更好，个人更推荐这种方式。

两种方法都没有使用任何Python循环，完全依赖Numpy的底层优化，处理大规模矩阵时效率会比循环高几个数量级。

内容的提问来源于stack exchange，提问作者Geoffrey Anderson