布尔索引赋值最灵活可控；np.nan_to_num默认替换inf易污染数据，仅处理NaN需设posinf/neginf=None，且对整型数组会静默转浮点，而np.isnan仅对浮点有效，非NaN空值需用pd.isna等识别。
直接用布尔索引赋值最灵活、最可控；np.nan_to_num 适合快速替换但默认行为容易误伤。
为什么 np.nan_to_num 不总靠谱
它默认把 NaN 换成 0，inf 换成 np.finfo(float).max，-inf 换成 np.finfo(float).min——这在你只关心 NaN 时反而会污染数据。比如你有一列含 inf 的指标（如除零结果），用它一统替换就失真了。
常见错误现象：np.nan_to_num(arr, nan=0) 看似安全，但若没显式设 posinf 和 neginf 为 None，仍会悄悄改掉无穷值。
- 正确写法（仅动
NaN）：np.nan_to_num(arr, nan=0, posinf=None, neginf=None) - 如果数组是整型，
np.nan_to_num会静默转成浮点——可能破坏 dtype 约束 - 性能上它底层是 C 实现，大批量时略快于布尔索引，但差异通常可忽略
布尔索引赋值才是主力方案
明确、透明、不副作用，且支持任意填充逻辑（不止标量，还能用数组、函数结果等）。
立即学习“Python免费学习笔记（深入）”；
macOS UI 自动化技能包 —— 用 Python 控制你的 Mac
下载
让 macOS 自动化像说话一样简单 —— 用代码控制你的 Mac，无需学习 AppleScript 系统要求 macOS 14+ (Sonoma) Python 3.9+ 需要开启：辅助功能 + 屏幕录制权限
实操要点：
- 先用
np.isnan(arr)生成布尔掩码，注意它对非浮点类型（如int、str）返回全False，别误以为没NaN - 确保目标数组是浮点型（如
arr = arr.astype(float)），否则赋值np.nan或浮点数会报错或截断 - 支持向量化填充：
arr[np.isnan(arr)] = 999，或更动态的arr[np.isnan(arr)] = np.mean(arr[~np.isnan(arr)]) - 二维数组同样适用：
mask = np.isnan(arr); arr[mask] = 0，自动展平匹配，无需np.where
填充前务必确认 NaN 真的存在
很多“空值”其实不是 np.nan：可能是字符串 'N/A'、空字符串 ''、None（在 object 数组里）、甚至 0 或 -999 这类哨兵值。直接上 np.isnan 会完全失效。
检查方法：
-
np.any(np.isnan(arr))—— 最快确认有无NaN -
pd.isna(arr)（需 pandas）能统一识别NaN/None/NaT，比纯 NumPy 更鲁棒 - 打印
arr.dtype：如果是object，np.isnan不工作，得用arr == None或pd.isna
真正麻烦的从来不是怎么填，而是填之前没搞清数据里到底有什么——NaN 是浮点缺失的协议，不是万能空值占位符。
