短版：
之所以不同，是因为pandas 在调用mean 操作时使用bottleneck（如果已安装），而不是仅仅依赖numpy。 bottleneck 可能被使用，因为它似乎比 numpy 快（至少在我的机器上），但以精度为代价。它们恰好匹配 64 位版本，但在 32 位土地上有所不同（这是有趣的部分）。
加长版：
仅通过检查这些模块的源代码很难判断发生了什么（它们非常复杂，即使对于像mean 这样的简单计算，数值计算也很困难）。最好使用调试器来避免大脑编译和那些类型的错误。调试器不会在逻辑上出错，它会准确地告诉你发生了什么。
这是我的一些堆栈跟踪（值略有不同，因为没有 RNG 种子）：
可以重现（Windows）：
>>> import numpy as np; import pandas as pd
>>> x=np.random.normal(-9.,.005,size=900000)
>>> df=pd.DataFrame(x,dtype='float32',columns=['x'])
>>> df['x'].mean()
-9.0
>>> x.mean()
-9.0000037501099754
>>> x.astype(np.float32).mean()
-9.0000029
numpy 的版本没有什么特别之处。 pandas 版本有点古怪。
我们来看看df['x'].mean()：
>>> def test_it_2():
... import pdb; pdb.set_trace()
... df['x'].mean()
>>> test_it_2()
... # Some stepping/poking around that isn't important
(Pdb) l
2307
2308 if we have an ndarray as a value, then simply perform the operation,
2309 otherwise delegate to the object
2310
2311 """
2312 -> delegate = self._values
2313 if isinstance(delegate, np.ndarray):
2314 # Validate that 'axis' is consistent with Series's single axis.
2315 self._get_axis_number(axis)
2316 if numeric_only:
2317 raise NotImplementedError('Series.{0} does not implement '
(Pdb) delegate.dtype
dtype('float32')
(Pdb) l
2315 self._get_axis_number(axis)
2316 if numeric_only:
2317 raise NotImplementedError('Series.{0} does not implement '
2318 'numeric_only.'.format(name))
2319 with np.errstate(all='ignore'):
2320 -> return op(delegate, skipna=skipna, **kwds)
2321
2322 return delegate._reduce(op=op, name=name, axis=axis, skipna=skipna,
2323 numeric_only=numeric_only,
2324 filter_type=filter_type, **kwds)
所以我们找到了问题所在，但现在事情变得有点奇怪：
(Pdb) op
<function nanmean at 0x000002CD8ACD4488>
(Pdb) op(delegate)
-9.0
(Pdb) delegate_64 = delegate.astype(np.float64)
(Pdb) op(delegate_64)
-9.000003749978807
(Pdb) delegate.mean()
-9.0000029
(Pdb) delegate_64.mean()
-9.0000037499788075
(Pdb) np.nanmean(delegate, dtype=np.float64)
-9.0000037499788075
(Pdb) np.nanmean(delegate, dtype=np.float32)
-9.0000029
请注意，delegate.mean() 和 np.nanmean 输出 -9.0000029 类型为 float32，不是 -9.0 就像 pandas nanmean 一样。稍微翻找一下，您可以在pandas.core.nanops 中找到pandas nanmean 的来源。有趣的是，它实际上看起来应该首先匹配numpy。一起来看看pandasnanmean：
(Pdb) import inspect
(Pdb) src = inspect.getsource(op).split("\n")
(Pdb) for line in src: print(line)
@disallow('M8')
@bottleneck_switch()
def nanmean(values, axis=None, skipna=True):
values, mask, dtype, dtype_max = _get_values(values, skipna, 0)
dtype_sum = dtype_max
dtype_count = np.float64
if is_integer_dtype(dtype) or is_timedelta64_dtype(dtype):
dtype_sum = np.float64
elif is_float_dtype(dtype):
dtype_sum = dtype
dtype_count = dtype
count = _get_counts(mask, axis, dtype=dtype_count)
the_sum = _ensure_numeric(values.sum(axis, dtype=dtype_sum))
if axis is not None and getattr(the_sum, 'ndim', False):
the_mean = the_sum / count
ct_mask = count == 0
if ct_mask.any():
the_mean[ct_mask] = np.nan
else:
the_mean = the_sum / count if count > 0 else np.nan
return _wrap_results(the_mean, dtype)
这是bottleneck_switch 装饰器的（短）版本：
import bottleneck as bn
...
class bottleneck_switch(object):
def __init__(self, **kwargs):
self.kwargs = kwargs
def __call__(self, alt):
bn_name = alt.__name__
try:
bn_func = getattr(bn, bn_name)
except (AttributeError, NameError): # pragma: no cover
bn_func = None
...
if (_USE_BOTTLENECK and skipna and
_bn_ok_dtype(values.dtype, bn_name)):
result = bn_func(values, axis=axis, **kwds)
这是用alt 作为pandas nanmean 函数调用的，所以bn_name 是'nanmean'，这是从bottleneck 模块中获取的attr：
(Pdb) l
93 result = np.empty(result_shape)
94 result.fill(0)
95 return result
96
97 if (_USE_BOTTLENECK and skipna and
98 -> _bn_ok_dtype(values.dtype, bn_name)):
99 result = bn_func(values, axis=axis, **kwds)
100
101 # prefer to treat inf/-inf as NA, but must compute the fun
102 # twice :(
103 if _has_infs(result):
(Pdb) n
> d:\anaconda3\lib\site-packages\pandas\core\nanops.py(99)f()
-> result = bn_func(values, axis=axis, **kwds)
(Pdb) alt
<function nanmean at 0x000001D2C8C04378>
(Pdb) alt.__name__
'nanmean'
(Pdb) bn_func
<built-in function nanmean>
(Pdb) bn_name
'nanmean'
(Pdb) bn_func(values, axis=axis, **kwds)
-9.0
假设bottleneck_switch() 装饰器一秒钟不存在。我们实际上可以看到，手动单步执行此函数（不带bottleneck）调用会得到与numpy 相同的结果：
(Pdb) from pandas.core.nanops import _get_counts
(Pdb) from pandas.core.nanops import _get_values
(Pdb) from pandas.core.nanops import _ensure_numeric
(Pdb) values, mask, dtype, dtype_max = _get_values(delegate, skipna=skipna)
(Pdb) count = _get_counts(mask, axis=None, dtype=dtype)
(Pdb) count
900000.0
(Pdb) values.sum(axis=None, dtype=dtype) / count
-9.0000029
但是，如果您安装了 bottleneck，则永远不会调用它。取而代之的是，bottleneck_switch() 装饰器使用bottleneck 的版本覆盖了nanmean 函数。这就是差异所在（有趣的是，它与float64 的情况相匹配）：
(Pdb) import bottleneck as bn
(Pdb) bn.nanmean(delegate)
-9.0
(Pdb) bn.nanmean(delegate.astype(np.float64))
-9.000003749978807
bottleneck 仅用于速度，据我所知。我假设他们正在使用他们的nanmean 函数采取某种捷径，但我没有深入研究它（有关此主题的详细信息，请参阅@ead 的答案）。您可以看到它通常比numpy 的基准测试快一点：https://github.com/kwgoodman/bottleneck。显然，要为这种速度付出的代价就是精度。
瓶颈真的更快吗？
确实看起来像（至少在我的机器上）。
In [1]: import numpy as np; import pandas as pd
In [2]: x=np.random.normal(-9.8,.05,size=900000)
In [3]: y_32 = x.astype(np.float32)
In [13]: %timeit np.nanmean(y_32)
100 loops, best of 3: 5.72 ms per loop
In [14]: %timeit bn.nanmean(y_32)
1000 loops, best of 3: 854 µs per loop
pandas 在这里引入一个标志可能会很好（一个用于速度，另一个用于更好的精度，默认是速度，因为这是当前的实现）。有些用户更关心计算的准确性，而不是计算速度。
HTH。