np.nanmean和np.nanstd自动跳过NaN与inf，不修改原数组，全NaN时返回nan；需检查结果是否为nan并处理，注意dtype、axis、ddof及keepdims用法，避免手动布尔索引导致性能与内存问题。
np.nanmean 和 np.nanstd 会自动跳过 NaN，但不改变原数组
这两个函数是 np.mean 和 np.std 的“忽略 NaN”版本，内部对输入做 np.isfinite 判断，只保留非 NaN、非 inf 的值参与计算。它们不会修改原始数据，也不会报错——哪怕整列全是 NaN，也会返回 nan（不是报错）。
常见错误现象：np.nanmean([1, 2, np.nan]) 返回 1.5，但 np.nanmean([np.nan, np.nan]) 返回 nan，容易被误认为“没生效”或“出 bug”。其实这是设计行为，需手动检查结果是否为 nan 再决定后续逻辑。
- 若想强制返回标量（比如 0），可加
np.nan_to_num(..., nan=0) - 注意：
np.nanstd默认使用「样本标准差」的自由度（ddof=0），和np.std一致；若要匹配pandas.Series.std()（默认ddof=1），得显式传参ddof=1 - 多维数组中，
axis参数行为与普通统计函数完全一致，例如np.nanmean(arr, axis=1)按行算均值，跳过每行内的NaN
用 np.nanmean / np.nanstd 前，先确认数据里真有有效值
直接调用函数很安全，但结果不可靠常源于上游：比如从 CSV 读入时把空字符串或占位符（如 "NULL"、"missing"）当成了字符串，没转成 np.nan，导致这些值被当作合法对象参与计算（甚至触发类型错误）。
典型场景：用 pandas.read_csv(..., na_values=["NULL", ""]) 或手动替换 df.replace({"missing": np.nan})，再转 df.values.astype(float)，否则 np.nanmean 对 object 类型数组可能抛 TypeError: unsupported operand type(s)。
-
np.nanmean和np.nanstd只对数值型数组（float64、int32等）有效；遇到objectdtype 会失败 - 检查方式：
np.any(np.isnan(arr))看有没有NaN；更稳妥的是np.isfinite(arr).sum()看剩下多少有效数 - 如果数组含
inf，np.nanmean也会把它当无效值跳过（因为np.isfinite(inf) == False）
性能上，np.nanmean 比先用布尔索引再 mean 略快，但差别不大
有人会写 arr[~np.isnan(arr)].mean() 来等效替代 np.nanmean(arr)，这在小数组上没问题，但有隐患：它会新建一个掩码数组 + 新切片数组，内存开销翻倍；而 np.nanmean 是底层 C 实现的单次遍历，跳过 NaN 不分配中间数组。
网奇.NET网络商城系统是基于.Net平台开发的免费商城系统。功能强大，操作方便，设置简便。无需任何设置，上传到支持asp.net的主机空间即可使用。系统特色功能：1、同时支持Access和SqlServer数据库；2、支持多语言、多模板3、可定制缺货处理功能4、支持附件销售功能5、支持会员组批发功能6、提供页面设计API函数7、支持预付款功能8、配送价格分地区按数学公式计算9、商品支持多类别，可
实测（百万级 float64 数组）：np.nanmean 比布尔索引快约 1.2–1.5 倍，且内存友好。但若你已在用布尔索引做其他过滤（比如同时剔除 inf 和负值），那继续用索引更自然。
- 不要为了“看起来更底层”而手写
arr[np.isfinite(arr)].mean()——np.nanmean本质就是这么做的，还更健壮 - 多维时尤其别自己写循环 + 切片：比如
[np.nanmean(row) for row in arr]比np.nanmean(arr, axis=1)慢一个数量级 - 如果需要同时计算多个统计量（均值、标准差、计数），建议用
scipy.stats.describe(arr, nan_policy="omit")，避免多次遍历
axis 和 keepdims 参数用法和普通 numpy 函数一致，但要注意广播兼容性
np.nanmean(arr, axis=0, keepdims=True) 返回形状为 (1, n_cols) 的二维数组，这对后续和原数组做减法（中心化）很有用；但如果你忘了 keepdims=True，得到一维结果，直接 arr - result 会触发广播错误或静默错位。
另一个易错点：在三维或更高维数组上指定 axis=(0, 2)，np.nanmean 支持元组 axis（numpy ≥ 1.7），但 np.nanstd 在旧版本（如 1.19 之前）不支持，会报 TypeError: an integer is required。升级 numpy 或改用两次单轴调用更稳妥。
-
keepdims对所有nan*函数都有效，不只是nanmean - 跨多个轴聚合时，优先用
axis=tuple(axes)（新版本），或分步降维（兼容旧环境） - 如果输出要和原始 shape 对齐（比如画热力图），
keepdims=True是刚需，否则 reshape 容易出错
实际用的时候，最麻烦的往往不是函数本身，而是搞不清数据里到底有哪些值被算进去了——多打一行 print(np.isfinite(arr).sum(), "/", arr.size)，比反复猜结果靠谱得多。
