np.count_nonzero(~np.isnan(data))

~会反转从np.isnan传回的布林矩阵。
np.count_nonzero对非0\false的值进行计数。.sum应给予相同的结果。但使用count_nonzero可能更清楚
测试速度：

In [23]: data = np.random.random((10000,10000))

In [24]: data[[np.random.random_integers(0,10000, 100)],:][:, [np.random.random_integers(0,99, 100)]] = np.nan

In [25]: %timeit data.size - np.count_nonzero(np.isnan(data))
1 loops, best of 3: 309 ms per loop

In [26]: %timeit np.count_nonzero(~np.isnan(data))
1 loops, best of 3: 345 ms per loop

In [27]: %timeit data.size - np.isnan(data).sum()
1 loops, best of 3: 339 ms per loop

data.size - np.count_nonzero(np.isnan(data))在这里似乎勉强是最快的。其他数据可能会给予出不同的相对速度结果。

快速写入替代方案

尽管不是最快的选择，但如果性能不是问题，您可以用途：
sum(~np.isnan(data)) .

性能：

In [7]: %timeit data.size - np.count_nonzero(np.isnan(data))
10 loops, best of 3: 67.5 ms per loop

In [8]: %timeit sum(~np.isnan(data))
10 loops, best of 3: 154 ms per loop

In [9]: %timeit np.sum(~np.isnan(data))
10 loops, best of 3: 140 ms per loop

要确定数组是否稀疏，获取nan值的比例可能会有所帮助

np.isnan(ndarr).sum() / ndarr.size

如果该比例超过阈值，则使用稀疏数组，例如-https://sparse.pydata.org/en/latest/

另一种方法是在索引上执行此操作，但速度稍慢。

np.isnan(data)[np.isnan(data) == False].size

In [30]: %timeit np.isnan(data)[np.isnan(data) == False].size
1 loops, best of 3: 498 ms per loop

np.isnan(data)和==运算符的双重使用可能有点矫枉过正，所以我发布答案只是为了完整性。

len([i for i in data if np.isnan(i) == True])