np.isinf()是最直接检测Inf值的方法，返回布尔数组标识±inf位置，不区分正负无穷，且比==np.inf更鲁棒；它对NaN返回False，推荐配合np.isfinite()或np.where()进行清洗。
如何用 np.isinf() 检测 Inf 值
np.isinf() 是最直接的检测手段，它返回布尔数组，True 对应 np.inf 或 -np.inf，对 NaN 返回 False。注意它不区分正负无穷——如果需要分开判断，得配合 np.sign() 或条件索引。
常见错误是误用 == np.inf：浮点比较不可靠，且 np.inf == np.inf 虽为 True，但 NaN == NaN 是 False，混用容易漏判；更糟的是，某些计算后产生的 inf 可能因 dtype（如 float32）精度问题未被严格等于 np.inf，而 np.isinf() 内部做了类型安全判断，更鲁棒。
- 对一维数组：
mask = np.isinf(arr)，后续可用arr[mask]查看或arr[~mask]过滤 - 多维数组同样适用，返回同形状布尔数组，支持高级索引
- 若只关心正无穷，可用
arr == np.inf（仅当 dtype 明确且无 NaN 干扰时可接受），但推荐统一用np.isinf()+arr > 0组合
替换 Inf 值的三种常用方式及取舍
替换不是唯一选择，但多数场景下比删除更稳妥（尤其保持数组形状时）。关键看业务逻辑：是填临界值、插值，还是转为缺失标记？
np.where() 最灵活：np.where(np.isinf(arr), replacement_value, arr)。它保留原 dtype，不触发隐式转换；而 arr[np.isinf(arr)] = replacement_value 更快但会原地修改，且对只读数组报错。
立即学习“Python免费学习笔记（深入）”；
- 填
np.nan：适合后续用np.nanmean()等跳过缺失值的统计，但要注意np.nan在比较中全为False，可能影响布尔索引逻辑 - 填极值（如
np.finfo(arr.dtype).max）：适用于归一化前截断，但需确认下游算法能否处理该值 - 用邻近值插值：仅限一维有序数据，可用
np.interp()配合非 Inf 索引，但二维插值需额外库（如scipy.ndimage）
np.nan_to_num() 的隐藏行为与陷阱
np.nan_to_num() 常被当作“一键清理”工具，但它默认同时处理 NaN 和 Inf：把 NaN → 0，+inf → np.finfo(dtype).max，-inf → np.finfo(dtype).min。这个“安全最大值”未必符合你的数值范围预期——比如 float32 的 max 约为 3.4e38，而模型训练中这个量级可能直接导致梯度爆炸。
- 务必显式传参控制：
np.nan_to_num(arr, nan=0.0, posinf=1e6, neginf=-1e6) - 若只要处理 Inf，留 NaN 不动，必须设
nan=None（否则仍按默认 0 替换） - 性能上它比组合调用
np.isinf()+np.where()略快，但可读性和可控性更低
为什么 np.isfinite() 比双重否定更可靠
有人写 ~(np.isnan(arr) | np.isinf(arr)) 来取有限值，逻辑没错，但 np.isfinite() 是专为此设计的原子操作：它一步返回 True 当且仅当元素既非 NaN 也非 Inf，且底层实现避免了中间布尔数组的内存开销。
- 在大数组上，
np.isfinite(arr)比~(np.isnan(arr) | np.isinf(arr))快约 15–20%，且更省内存 - 对复数数组，
np.isfinite()同时检查实部和虚部，而手动组合需分别处理，易出错 - 若只需有限值子集，直接
arr[np.isfinite(arr)]即可，无需先生成 mask 再取反
Inf 值本身不可怕，可怕的是它们静默污染计算结果——比如 np.mean() 遇到 Inf 就返回 Inf，而 np.nanmean() 对 Inf 依然无感。所以检测时机很重要：最好在数据加载后、任何聚合或模型输入前就做筛查。
