NumPy中需用np.isinf()检测±inf、np.isnan()检测NaN，二者互不覆盖；统一检测用np.isinf(x)|np.isnan(x)，判断存在性用.any()，整数数组需先转浮点型。
用 np.isinf() 和 np.isnan() 分别捕获无穷与 NaN
NumPy 不提供“一键检测所有异常值”的函数，必须分开处理：无穷大（+inf、-inf）由 np.isinf() 检测，非数（NaN）由 np.isnan() 检测。这两个函数返回布尔数组，形状与输入一致，元素为 True 表示对应位置是目标异常值。
常见错误是误以为 np.isinf(x) 能同时识别 NaN——它不会，NaN 在 np.isinf() 下恒为 False；同理，np.isnan() 对无穷大也返回 False。所以二者必须独立调用或显式组合。
-
np.isinf(x)对float('inf')、float('-inf')返回True，对np.nan返回False -
np.isnan(x)仅对np.nan（及等价浮点表示）返回True - 若需统一标记所有异常（
inf或nan），用np.isinf(x) | np.isnan(x)，注意用位或|，不是逻辑 or
检查整个数组是否含异常值：用 .any() 别直接用 if arr:
想快速判断一个数组里“有没有”异常值，不要写 if np.isnan(arr):——这会触发 ValueError（无法将布尔数组转为标量条件）。正确做法是先生成布尔数组，再调用 .any() 方法：
import numpy as np arr = np.array([1.0, 2.0, np.nan, 4.0]) has_nan = np.isnan(arr).any() # True has_inf = np.isinf(arr).any() # False has_any_abnormal = (np.isinf(arr) | np.isnan(arr)).any() # True
注意：.any() 是最常用且安全的聚合方式；.sum() 也可用（因为布尔值可当 0/1 计算），但语义不如 .any() 清晰。避免使用 np.any(np.isnan(arr)) ——虽然结果相同，但多一层函数调用，无必要。
立即学习“Python免费学习笔记（深入）”；
python-docx Skill功能概述python-docx Skill是一项面向实际任务的技能，主要用于本Skill提供使用python-docx生成专业Word文档的标准方法和最佳实践；生成安全服务方案文档；核心要点生成技术架构设计文档；生成任何需要专业排版的Word文档；核心库 : python-docx；使用与执行辅助库 : docx.shared , docx.enum , docx.oxml.ns；标准代码模板；1. 文档初始化；2. 字体设置（必须！它将相关步骤、工具调用和结果整理方式集
替换或过滤异常值时，注意原地修改与副本的区别
用布尔索引做赋值（如把 NaN 换成 0）默认修改原数组；若不想改动原始数据，得先 .copy()。另外，np.nan 不能用 == 判断，所以 arr[arr == np.nan] = 0 完全无效——必须用 np.isnan() 生成掩码。
- 就地填充：
arr[np.isnan(arr)] = 0；arr[np.isinf(arr)] = np.nan（把 inf 改成 NaN 再统一处理） - 安全过滤（剔除异常值）：
clean_arr = arr[~(np.isinf(arr) | np.isnan(arr))]，其中~取反 - 若数组含整数类型（
int64等），np.nan和np.inf无法存入——此时np.isnan()或np.isinf()对该数组一律返回全False，不报错但结果无意义；务必先确认 dtype 是浮点型（如float32、float64）
读取外部数据后立即检查：Pandas 与 NumPy 的异常值表现不一致
从 CSV 或数据库加载数据进 Pandas DataFrame 后转成 NumPy 数组，容易忽略隐式类型转换带来的陷阱。例如，Pandas 把缺失值记作 pd.NA 或 None，但转成 np.array(df['col']) 时，若列是整数型，这些缺失值可能变成 np.nan（强制升为 float64），也可能被静默丢弃或引发警告。
更稳妥的做法是：先用 Pandas 自带方法检查（df['col'].isna().any()、df['col'].isin([np.inf, -np.inf]).any()），确认后再转 NumPy；或者转完立刻验证 dtype：arr.dtype == np.float64，否则 np.isnan() 就是摆设。
真正麻烦的是混合类型列（如字符串+数字），转成 object 类型 NumPy 数组后，np.isnan() 会报 TypeError；这种场景必须先清洗或分类型处理，不能依赖通用浮点检测函数。
