mean(axis=1)能算行均值，但默认跳过NaN、要求纯数值类型、结果按原索引对齐；需注意skipna=False、select_dtypes、values转np.array及assign对齐等细节。
mean(axis=1) 真的能直接算行均值？先看它到底认不认 NaN
不能默认就用 mean(axis=1)，它默认会跳过 NaN —— 这是多数人没意识到的“温柔陷阱”。如果你的数据里混着缺失值，结果看似合理，实则悄悄丢掉了整行参与计算的权重。
- 想保留
NaN传播（即某行有NaN就让结果也是NaN）：加参数skipna=False - 想强制把
NaN当 0 算：得先用fillna(0)，再调mean(axis=1) - 如果列里混着字符串或对象类型，
mean()会直接报错TypeError: Could not convert ... to numeric，必须提前用select_dtypes(include='number')过滤
axis=1 和 axis=0 到底谁横谁竖？别靠“行列”字面猜
axis 是“塌缩掉的轴”，不是“要操作的轴”。axis=1 意味着“把列这个维度压平”，结果是一列（每个元素对应原 DataFrame 的一行），所以才是行均值。很多人写成 axis=0 还纳闷为什么出来的是列均值。
-
df.mean(axis=0)→ 返回Series，索引是列名，值是每列的均值 -
df.mean(axis=1)→ 返回Series，索引是原index，值是每行的均值 - 在
apply()里写lambda x: x.mean()默认也是按行（因为apply默认axis=0，但传给函数的是列；若想按行apply，得显式写axis=1）
性能差别大不大？小数据无所谓，大数据得绕开 mean(axis=1)
对上万行、上百列的 DataFrame，mean(axis=1) 内部走的是通用路径，比纯数值数组慢不少。真要压榨性能，得切到 NumPy 底层。
- 确认全是数值：用
df.values转ndarray，再调np.mean(df.values, axis=1) - 含缺失值且需跳过：
np.nanmean(df.values, axis=1)更快，且行为和df.mean(axis=1)一致 - 注意：
df.values会丢失 dtype 信息，如果原 DataFrame 有混合类型（比如 int + float），values可能全转成object，这时np.mean会失败 —— 必须先astype(float)
结果怎么塞回去？别直接赋值 df['row_mean'] = ... 后发现对不上
如果原 DataFrame 有重复索引或非连续索引，df.mean(axis=1) 返回的 Series 会按原索引对齐，但你手动赋值时容易忽略这点，导致新列顺序错乱或填充进错误行。
- 安全做法：用
df.assign(row_mean=df.mean(axis=1))，自动对齐索引 - 或者明确重置：先
row_means = df.mean(axis=1).rename('row_mean')，再pd.concat([df, row_means], axis=1) - 如果原
df.index是RangeIndex且未改动，直接df['row_mean'] = df.mean(axis=1)没问题；但只要 index 曾被reindex、loc过滤或合并过，就得查对齐
