pandas 3.1 对数组列求 mean 报无法转成 numeric

DataFrame 一列的每个单元格都是 NumPy 数组，升级 pandas 3.1.0 后执行 df["a"].mean()，报 Could not convert array(...) to numeric，或在此前出现 only 0-dimensional arrays can be converted to Python scalars。先确认这列保存的是向量对象，而不是普通数值标量。

3.1.0 的数值归约会更早检查 object 数组里的元素。此前这类操作可能先把向量相加，再检查相加后的数值数组；现在会在求和之前看到“数组中的数组”，于是拒绝转换。单纯给原列改一个标量 dtype，未必能表达你想要的统计方式。

等长向量按位置求均值，先建立二维结构

如果每格都是形状相同的纯数值向量，业务要的是每个位置的均值，可以显式建立矩阵：

import numpy as np
import pandas as pd

values = pd.Series([np.array([1, 2, 3]), np.array([4, 5, 6])])
if values.empty:
    raise ValueError("没有可求均值的向量")
matrix = np.stack(values.to_list(), axis=0)
mean_vector = matrix.mean(axis=0)

示例的目标结果是 [2.5, 3.5, 4.5]。axis=0 消去的是样本行，保留向量各位置；省略轴会得到整个矩阵的单个均值，不是原来的向量结果。

stack 要求形状一致。长度不同的数组不应为了让代码运行就自动补零，那会改变每个位置的样本量与统计含义。如果输入含缺失标量、非数值、复数或不同维度，应先按数据契约处理，再选择对应归约方式。

缺失值规则需要明确

matrix.mean() 不会自动沿用 pandas 原列的所有缺失值行为。确实需要忽略数值矩阵中的 NaN 时，应先确认这符合业务规则，再选择相应的 NumPy 归约；全部缺失的某一位置仍需要明确结果和告警处理。

也不要把数组先转成字符串再求均值，或把 object 列强制拍平成一维。前者破坏数值类型，后者把“每条记录中的第几个分量”混成了同一个统计总体。

检查时保留一个元素、多个等长向量、空输入和不等长输入，确认输出形状、轴与原业务一致。大数据还需评估堆叠矩阵的内存占用；这种方案让向量结构显式化，不意味着一次物化所有数据在任何规模都合适。