numpy中处理含nan数据的统计函数及其效率

numpy 库中的一些统计函数，它们在遇到含 nan 的数据时都无法正常使用，需要换成可用的同名函数（即在函数名前加“nan”）。

1、相关函数

1.1、最大值 max()、nanmax() / 最小值 min() nanmin()

沿指定轴返回一个数组的最小 / 大值。
numpy.max(a, axis=None, out=None, keepdims=)
参数：
a - array_like ，数组或者可以转化成数组的对象
axis - 无 None（默认）、整型 int、元组 tuple；沿轴线方向的操作方式

1.2、百分位数 percentile 、nanpercentile

计算数组中沿指定方向上的第q 数值百分位(点)，可以计算多维数组的任意百分比分位数
numpy.percentile(a, q, axis=None, out=None, overwrite_input=False, interpolation=‘linear’, keepdims=False)
参数：
a - array_like ，数组或者可以转化成数组的对象
q - [ 0., 100. ] 百分位
overwrite_input - bool 型参数，为 True 并且 a 的类型是ndarray，则 a 将被部分后者全部排序
axis - 无 None（默认）、整型 int、元组 tuple；沿轴线方向的操作方式

1.3、中位数 median、nanmedian

计算数组 a 在沿 axis 轴方向上的中位数
numpy.median(a, axis=None, out=None, overwrite_input=False, keepdims=False)
参数：
a - array_like ，数组或者可以转化成数组的对象
overwrite_input - bool 型参数，为 True 并且 a 的类型是ndarray，则 a 将被部分后者全部排序
axis - 无 None（默认）、整型 int、元组 tuple；沿轴线方向的操作方式

1.4、2.4 标准差std、nanstd

沿指定轴计算数组的标准偏差。
numpy.std(a, axis=None, dtype=None, out=None, ddof=0, keepdims=)
参数：
a - array_like ，数组或者可以转化成数组的对象
ddof - 自由度，计算时的分母为 N（数据数量） - ddof，默认 ddof = 0
axis - 无 None（默认）、整型 int、元组 tuple；沿轴线方向的操作方式

1.5、方差var、nanvar

沿指定轴计算数组的方差 var 【 = mean(abs(x - x.mean()) ** 2)】。
numpy.var(a, axis=None, dtype=None, out=None, ddof=0, keepdims=)
参数：
a - array_like ，数组或者可以转化成数组的对象
ddof - 自由度，计算时的分母为 N（数据数量） - ddof，默认 ddof = 0
axis - 无 None（默认）、整型 int、元组 tuple；沿轴线方向的操作方式

2、注意事项

2.1、数组中有nan的影响

在含有 nan 数值的数组上采用不带 “nan”前缀的统计函数处理，结果都是返回 nan ，需要换成带 “nan”前缀的同名统计函数处理。

2.2、相同功能的不同函数效率比较

以取包含 nan 的数组里的最大值为例，有以下方法

import numpy as np
import pandas as pd
from time import time

arr1 = np.arange(100000)
arr2 = np.repeat(np.ndarray(np.nan), 10000)
arr = np.concatenate((arr1, arr2))
ser = pd.Series(arr)

# 从数组中找最大值
t1 = time()
m1 = np.nanmax(arr)
print(f'1、np.nanmax(arr)，用时 {time()-t1}')

t1 = time()
m2 = np.nanmax(ser.values)
print(f'2、np.nanmax(ser.values)，用时 {time()-t1}')

t1 = time()
m2 = np.nanmax(ser)
print(f'3、np.nanmax(ser)，用时 {time()-t1}')

t1 = time()
m2 = ser.max()
print(f'4、ser.max()，用时 {time()-t1}')

[Out]:
1、np.nanmax(arr)，用时 0.0009999275207519531
2、np.nanmax(ser.values)，用时 0.0
3、np.nanmax(ser)，用时 0.0
4、ser.max()，用时 0.00500035285949707

其中，第 2、3 个的时间差几乎为0，看看耗时到底多少？

t1 = time()
m2 = np.nanmax(ser.values)
print(f't1 = {t1}')
print(f't2 = {time()}')

[Out]:
t1 = 1609675066.2239056
t2 = 1609675066.2259057

可见，耗时最多的是 直接对 Series 取 .max()，耗时最少的是用 np.max() 求数组的最大值。
其他函数也类似。

参考资料：
1、numpy 统计函数
2、numpy的np.nanmax和np.array([1,2,3,np.nan]).max()的区别（坑）