Tengo datos cargados en un marco de datos que tiene un índice múltiple para los encabezados de las columnas. Actualmente, he estado agrupando los datos por los índices de columnas para tomar la media de los grupos y calcular los intervalos de confianza del 95% de esta manera:

from pandas import *
import pandas as pd
from scipy import stats as st

#Normalize to starting point then convert
normalized = (data - data.ix[0]) * 11.11111
#Group normalized data based on slope and orientation
grouped = normalized.groupby(level=['SLOPE','DEPTH'], axis=1)
#Obtain mean of each group
means = grouped.mean()
#Calculate 95% confidence interval for each group
ci = grouped.aggregate(lambda x: st.sem(x) * 1.96)

pero el problema con esto es que la función media que se usa en los grupos ignora los valores de NaN, mientras que la función scipy st.sem devuelve NaN si hay un NaN en el grupo. Necesito calcular el error estándar al ignorar los NaN como lo hace la función media.

He intentado calcular el intervalo de confianza del 95% de esta manera:

#Calculate 95% confidence interval for each group
ci = grouped.aggregate(lambda x: np.std(x) / ??? * 1.96)

std in numpy me dará la desviación estándar que ignora los valores de NaN pero debo dividir esto por la raíz cuadrada del tamaño del grupo que ignora los NaN para obtener el error estándar.

¿Cuál es la forma más fácil de calcular el error estándar al ignorar NaNs?