np.seterr(divide='ignore') 不生效是因为它仅作用于NumPy的C ufunc，对Python原生除法、pandas等封装及np.errstate上下文内的操作无效；应优先使用with np.errstate(divide='ignore', invalid='ignore'):局部控制。
为什么 np.seterr(divide='ignore') 有时不生效
它只影响 NumPy 内部用 C 实现的通用 ufunc（比如 np.divide、/ 运算符），但对 Python 原生除法（如 a / b 其中 a 和 b 是纯 Python 数字）或某些封装层（如 pandas 的 Series.div）完全没用。更关键的是：一旦你用了 np.errstate 上下文管理器，它会临时覆盖全局设置，而很多库（包括旧版 matplotlib）内部就用了它。
- 检查是否在
np.errstate块里执行了除法——这时np.seterr被忽略 - 确认被除数和除数确实是
np.ndarray或np.float64等 NumPy 类型，不是float或int - 如果用的是
np.where+ 除法组合（如np.where(cond, a/b, 0)），除法仍会先计算并触发警告，得改用np.divide(a, b, out=..., where=...)
真正可靠的屏蔽方式：用 np.errstate 包住具体计算
比全局 np.seterr 更精准、更安全，尤其适合局部逻辑。它不会干扰其他模块，也不会被意外覆盖。
- 写成
with np.errstate(divide='ignore', invalid='ignore'):，把可能出问题的计算放缩进里 - 必须同时加
invalid='ignore'，否则 sqrt(-1)、0/0 这类会产生nan的操作仍会报RuntimeWarning - 不要只包一行，要把整个依赖链包进去——比如先算分母再除，分母为 0 的判断和除法最好在同一
errstate块里
with np.errstate(divide='ignore', invalid='ignore'):
result = numerator / denominator
除零警告背后的真实风险不能一关了之
关警告不等于问题消失。inf 和 nan 会悄悄污染后续计算：比如 np.mean 遇到 inf 默认返回 inf，np.sum 可能溢出，scipy.optimize 会直接失败。
- 先用
np.isfinite(result)或np.isinf(result)检查结果是否可控 - 更稳妥的做法是预过滤：用
denominator != 0做掩码，或用np.divide(a, b, out=np.zeros_like(a), where=b!=0) - 如果业务上“除零”有含义（比如缺失值），应显式赋值
np.nan，而不是依赖inf
注意 np.seterr 的作用域和重置陷阱
它修改的是当前线程的全局状态，多线程环境下可能互相干扰；而且某些 NumPy 版本（如 1.24+）在 import 时会重置为默认值，导致你在模块开头设了，后面又失效。
- 避免在包初始化时调用
np.seterr，优先用errstate上下文 - 如果真要用全局设置，建议在主逻辑入口处（比如
if __name__ == '__main__':下）再设一次 - 测试时加一句
print(np.geterr())，确认设置已生效，别靠猜
np.seterr(divide='raise') 才会让除零变异常；而 'ignore' 只是关提示，inf 该产生还产生。别以为关了 warning 就万事大吉。 
