应使用 np.isnan() 和 np.isinf() 检测 NaN/Inf，二者返回同形布尔数组；推荐用 np.where() 组合掩码替换或直接调用 np.nan_to_num() 统一处理，优先新建数组以避免副作用。
用 np.isnan() 和 np.isinf() 定位 NaN/Inf
直接用 == 或 is 判断 NaN 会失败，因为 np.nan != np.nan 是 True；Inf 同样不能靠比较运算符捕获。必须用 NumPy 提供的专用函数：np.isnan() 检测 NaN，np.isinf() 检测 ±Inf（包括 np.inf 和 -np.inf）。这两个函数返回布尔数组，形状与原数组一致，可直接用于索引。
注意：np.isinf() 不区分正负无穷，若需单独处理，可用 x == np.inf 或 x == -np.inf；但前提是已确认 x 是浮点类型（整数数组调用 np.isinf() 恒为 False）。
-
np.isnan()对非浮点类型（如 int、object）数组返回全 False，不报错但结果无意义 - 混合类型数组（如 dtype=object）中含 float NaN 时，
np.isnan()可能抛TypeError，应先转为 float：x.astype(float) - 对 Pandas Series 调用这些函数会触发隐式转换，但效率低，建议先用
.to_numpy()提取底层数组
用 np.where() 一次性替换 NaN 和 Inf
最常用且高效的方式是组合布尔掩码与 np.where()。例如把所有 NaN 和 Inf 替换为 0：
mask = np.isnan(x) | np.isinf(x) x_clean = np.where(mask, 0, x)
这比循环或多次 np.copyto() 快得多，且保持向量化。关键点在于：掩码必须是布尔数组，np.where() 的三个参数必须同形（广播允许）。
立即学习“Python免费学习笔记（深入）”；
- 若原数组是高维，
mask维度必须匹配；不要用np.any(mask)这类降维操作来构造条件 - 替换值可以是标量、同形数组，或支持广播的数组（如列向量替换某列中的 NaN）
- 避免写成
x[mask] = 0后再赋值回去——对视图（view）可能意外修改原数组，且无法链式使用
用 np.nan_to_num() 快速统一处理
如果目标只是把 NaN 替为 0、±Inf 替为极大/极小有限值（默认 np.finfo(float).max 和 .min），np.nan_to_num() 是最简方案：
x_clean = np.nan_to_num(x, nan=0.0, posinf=1e38, neginf=-1e38)
它内部做了类型检查和安全转换，比手写掩码更鲁棒，尤其适合预处理输入数据。但要注意：
- 默认行为对
posinf/neginf的替换值依赖当前浮点精度（np.finfo(x.dtype)），跨平台可能略有差异 - 不支持按条件差异化替换（比如只替 NaN 不动 Inf，或对不同列设不同替换值）
- 对复数数组也有效，但需显式指定
nan/posinf/neginf为复数，否则只处理实部
性能与内存：就地修改 vs 新建数组
多数场景推荐新建数组（如 np.where() 或 np.nan_to_num() 返回新副本），避免副作用。但若确定原数组可改且内存敏感，可用就地赋值：
mask = np.isnan(x) | np.isinf(x) x[mask] = 0 # 修改原数组
这种写法快且省内存，但有风险：
- 若
x是只读数组（x.flags.writeable = False），会抛ValueError: assignment destination is read-only - 若
x是其他数组的视图（如切片、转置），就地修改会影响源头 - 在函数中返回
x前未注明“此操作修改输入”，极易引发下游 bug
真正需要就地处理时，务必加注释并验证 x.flags.writeable；否则默认走安全路径——生成新数组。
