捕获ZeroDivisionError并返回默认值的最简写法是用try/except包裹除法操作，因其能100%覆盖所有解释器认定的除零情形，包括动态计算、浮点-0.0、自定义对象及多线程竞态等if判断易漏场景，且避免了预判失效风险。
捕获 ZeroDivisionError 并返回默认值的最简写法
直接用 try/except 包裹除法操作，比预判分母是否为零更可靠——因为分母可能是动态计算结果、用户输入或外部数据，运行时才暴露为零，静态判断容易漏掉边界情况。
常见错误是只检查 if denominator == 0:，但忽略了浮点数的 -0.0、float('nan') 或自定义对象重载了 __eq__ 导致判断失效；而 ZeroDivisionError 是 Python 解释器在真正执行除法时抛出的，覆盖所有真实触发场景。
- 默认值建议用
None、float('inf')或业务语义明确的值（如-1表示无效），避免用0——它可能被后续逻辑误当作有效计算结果 - 不要在
except块里裸写pass或只打日志却不返回值，否则函数可能隐式返回None，引发下游TypeError - 示例：
def safe_divide(numerator, denominator, default=0): try: return numerator / denominator except ZeroDivisionError: return default
在 NumPy 和 Pandas 中处理除零的差异
NumPy 的 np.divide 和 Pandas 的 Series.div 默认不抛 ZeroDivisionError，而是生成 inf、-inf 或 nan，这和纯 Python 行为不一致，容易让人误以为“没异常就安全了”。
如果你需要统一返回默认值（比如把所有除零结果替换成 -999），不能依赖异常捕获，得显式处理：
立即学习“Python免费学习笔记（深入）”；
- NumPy：用
np.where(denominator != 0, numerator / denominator, default)，注意denominator != 0对np.nan返回False，更稳妥用np.isfinite(denominator) & (denominator != 0) - Pandas：用
series1.div(series2).fillna(default)不够——因为inf不是NaN，需先.replace([np.inf, -np.inf], default) - 性能提示：向量化操作比逐元素
try/except快得多，但逻辑分支变多，务必验证默认值是否符合业务预期（比如inf在求均值时会被保留，而default会拉低结果）
为什么不能只用 if 判断分母再除？
表面看 if denominator != 0: return a / b else: return default 更直观，但它在三类情况下失效：
- 分母是自定义类实例，且未正确定义
__bool__或__eq__，导致!= 0判断恒真或恒假 - 分母是
Decimal('0')或Fraction(0, 1)，虽逻辑为零，但和整数0比较可能返回NotImplemented，进而触发回退行为 - 多线程环境里，判断和除法不是原子操作：线程 A 刚测完
denominator != 0，线程 B 就把它改成了0，A 执行除法时仍抛异常
只有实际执行除法并捕获异常，才能 100% 覆盖所有解释器认定的“除零”情形。
嵌套表达式中的除零：别让异常被吞掉
当除法藏在复杂表达式里（比如 result = (a + b) / (c * d - e)），异常仍会抛出，但堆栈信息指向整个表达式，不易定位具体哪部分为零。这时候提前拆解、命名中间变量能快速排障：
- 错误写法：
return (x**2 - 1) / (x - 1) # x=1 时除零，但看不出分母来源
- 改进写法：
denominator = x - 1 if denominator == 0: return 2 # 极限值，业务可接受的默认 return (x**2 - 1) / denominator—— 这样既避免异常，又让逻辑可读 - 更通用的方案：对高风险子表达式单独封装
safe_divide，例如safe_divide(x**2 - 1, x - 1, default=2)
真正难处理的不是单次除零，而是默认值被层层传递后，在下游聚合或比较中产生隐蔽偏差——比如用 0 代替除零结果，再参与求和，就掩盖了数据缺失问题。
