np.inf 是 NumPy 中合法的正无穷浮点常量，符合 IEEE 754 标准，可参与计算、比较与存储；检测应使用 np.isinf() 而非 ==，替换推荐布尔索引，预防优于事后处理。
np.inf 是什么？不是错误，是合法浮点值
np.inf 是 NumPy 中表示正无穷大的浮点常量，等价于 float('inf') 或 math.inf。它不是报错，也不是异常，而是一个完全合法的 IEEE 754 浮点数——就像 0.0 或 -1.5 一样，能参与计算、比较、存储，也能被序列化（如保存为 .npy）。
常见误解是把它当成“出错了”，其实除以 0 在 NumPy 中默认不抛异常，而是静默返回 np.inf（或 -np.inf），这是 IEEE 标准行为，也是设计使然。
- 直接写
np.inf不需要提前除零，它本身就是一个值 -
np.inf == np.inf返回True，但np.inf - np.inf得到np.nan（未定义） - 和 Python 原生
float('inf')混用没问题，但建议统一用np.inf，尤其在数组运算中更一致
怎么检测 inf？别用 ==，要用 isinf()
用 == 判断 np.inf 看似可行，但对数组会失效：因为 arr == np.inf 返回的是布尔数组，不能直接用于 if；更严重的是，np.nan == np.nan 是 False，而 np.inf == np.inf 虽为 True，但逻辑不统一、易混淆。
正确做法是始终用 np.isinf() —— 它专为检测无穷大设计，返回布尔标量（标量输入）或布尔数组（数组输入），语义清晰、行为稳定。
-
np.isinf(1/0)→True（注意：纯 Python 除零仍会触发ZeroDivisionError，但 NumPy 数组运算不会） -
np.isinf(np.array([1, 2, np.inf, -np.inf]))→[False False True True] - 想同时检测
inf和nan？用np.isfinite()取反：~np.isfinite(arr)
inf 怎么替换？用布尔索引最直接
把 inf 替成 0、均值或上界值，最常用且高效的方式是布尔索引赋值，而不是循环或 np.where()（后者多一次内存拷贝）。
例如处理一个可能含 inf 的数组：
import numpy as np arr = np.array([1.0, 2.0, np.inf, 4.0, -np.inf]) arr[np.isinf(arr)] = 0 # 直接原地修改 # arr 变成 [1. 2. 0. 4. 0.]
- 若只换正无穷，用
arr[arr == np.inf] = 0；只换负无穷，用arr[arr == -np.inf] = 0 - 想替成列均值？先算
col_mean = np.nanmean(arr[~np.isinf(arr)])，再赋值（注意排除inf后再算均值） - 避免踩坑：别写
arr[np.isinf(arr)] = np.nan，因为np.nan无法参与后续数值运算，反而更难处理
如何防止 inf 出现？从源头控制比事后清洗更可靠
很多 inf 来自分母接近 0 的除法（比如归一化、概率比、梯度更新），与其等它冒出来再替换，不如在除法前加安全保护。
- 用
np.divide(a, b, out=np.zeros_like(a), where=b!=0)：指定where条件，满足时才计算，否则填入out中的预设值（如 0） - 给分母加小偏移：
a / (b + 1e-8)，简单粗暴，适用于 b 非负且量级不过小的场景 - 用
np.clip(b, 1e-8, None)截断分母下限，比加偏移更可控 - 重要提醒：这些方法不能替代业务逻辑校验。比如真实业务中分母为 0 可能意味着数据缺失或状态异常，该报警的还得报警，不能无脑静默填 0
inf 不是 bug，是信号。真正该花时间琢磨的，不是怎么把它藏起来，而是它为什么会出现——是数据质量差？公式推导有漏洞？还是模型训练发散了？这些地方，比一行 arr[np.isinf(arr)] = 0 关键得多。
