NumPy中检测异常值需组合使用np.isnan()和np.isinf()：前者仅对浮点数有效，后者捕获±inf；推荐has_bad = np.isnan(arr).any() or np.isinf(arr).any()，避免TypeError与误判。

用 np.isnan() 和 np.isinf() 分别检查

NumPy 不提供“一键检测所有异常值”的函数，但 np.isnan() 和 np.isinf() 是最直接、开销最小的手段。它们返回布尔数组，需配合 .any() 才能快速得到标量结果。

• np.isnan(arr) 只对 float 类型有效；整数数组或字符串数组调用会静默返回全 False，不报错但结果无意义
• np.isinf(arr) 同样只作用于浮点数，且会同时捕获 np.inf 和 -np.inf
• 若数组含多种 dtype（如结构化数组），需先确认字段类型，否则布尔索引可能出错

一行判断：组合 np.isnan() + np.isinf()

实际项目中通常要同时排除 NaN 和无穷值，推荐写成：

has_bad = np.isnan(arr).any() or np.isinf(arr).any()

注意不能写成 np.isnan(arr) | np.isinf(arr) 再调用 .any() —— 这会在整数数组上触发 TypeError: ufunc 'isnan' not supported for the input types，因为 np.isnan() 对非浮点类型不兼容。

python-script-generator

快速生成专业的 Python 脚本和应用代码。一键创建完整项目结构，支持CLI、API、爬虫、Bot、Django等多种项目类型，包含完整的项目结构、配置文件、依赖管理、测试、README和文档。

下载

• 如果确定 arr 是浮点型（arr.dtype == np.float64 等），可用更紧凑写法：

  has_bad = np.any(np.isnan(arr) | np.isinf(arr))

• 对大型数组，.any() 有短路行为（找到第一个 True 就停），比 np.sum() 或 np.count_nonzero() 更快

避免误判：注意 np.nan 的特殊比较行为

np.nan != np.nan 恒为 True，所以绝不能用 arr == np.nan 或 arr != np.nan 来检测 NaN —— 这会返回全 False 数组。

立即学习“Python免费学习笔记（深入）”；

• 同理，arr is np.nan 也无效，因为 np.nan 是个对象，数组元素是值而非引用
• 曾有人用 np.where(arr != arr) 做 NaN 检测，虽在数值上等价于 np.isnan()，但可读性差、易被误读，且不处理无穷值
• 若从 Pandas 导入数据，记得 pd.isna() 能统一处理 NaN、None、NaT，但 NumPy 原生数组不认 None

性能敏感时：优先用 np.any()，慎用 np.sum()

对上亿元素的数组，np.any(np.isnan(arr)) 平均耗时比 np.sum(np.isnan(arr)) > 0 低一个数量级，尤其当异常值靠前时。

• np.any() 是 C 层短路实现；np.sum() 必须遍历全部元素
• 不要为了“看起来更函数式”而写 np.count_nonzero(np.isnan(arr)) > 0，它和 np.sum() 一样无短路
• 如果后续还需知道有多少个 NaN，再考虑 np.count_nonzero()，否则纯判断场景一律用 .any()

实际中最容易被忽略的是 dtype 隐式转换：比如从 CSV 读入的整数列里混了空值，pandas 默认转成 float64 并填 np.nan，但你自己用 np.loadtxt() 且没设 dtype=float，就可能拿到整数数组——此时 np.isnan() 完全失效，却不会报错。