未调用np.nanmean却触发RuntimeWarning及np.polyfit报错求助

一、为什么np.mean会触发np.nanmean的警告？ #

np.mean本身不会直接调用np.nanmean，但间接调用是核心原因：

• 你使用的第三方库（如pandas、scipy等）内部函数可能调用了np.nanmean，比如pandas的DataFrame.mean()在skipna=True时会用类似逻辑处理含NaN的数据；
• 你的代码中存在空切片场景，某个自定义工具函数或隐式调用的逻辑，在处理空数组时调用了np.nanmean；
• 极少数情况下numpy版本bug可能导致异常调用，但优先排查代码和数据逻辑。

二、警告后np.polyfit报错的核心原因 #

警告里的Mean of empty slice已经提示数据异常，后续的SVD did not converge是连锁反应：
当计算均值时出现空切片，说明你的数据子集存在无效元素，后续拟合用的blnd[p]或relrough[p]大概率出现以下问题：

• 有效数据点数量不足：若数据点个数 ≤ 多项式阶数（polyorder），拟合矩阵会奇异，导致SVD无法收敛；
• 大量NaN/inf值：过滤后有效数据点过少，或矩阵元素异常；
• 数据方差为0：所有数据点完全相同，无法拟合高阶多项式。

三、排查与解决步骤 #

1. 定位警告的具体来源 #

将警告转为异常，强制打印完整调用栈，精准定位触发代码：

import warnings
# 将RuntimeWarning转为异常，触发完整traceback
warnings.filterwarnings("error", category=RuntimeWarning)

运行代码后，就能看到到底是哪一行、哪个函数调用了np.nanmean。

2. 检查数据与切片逻辑 #

• 验证切片p的生成逻辑，确认blnd[p]和relrough[p]的长度，是否为空或仅有1-2个点；
• 统计数据中的异常值：用np.isnan(blnd).sum()、np.isinf(relrough).sum()查看NaN/inf的数量。

3. 修复拟合前的数据问题 #

在调用np.polyfit前，先清理数据并做有效性校验：

# 过滤掉NaN和inf的有效数据点
valid_idx = ~np.isnan(blnd[p]) & ~np.isnan(relrough[p])
x_data = blnd[p][valid_idx]
y_data = relrough[p][valid_idx]

# 确保有效数据点数量大于多项式阶数
if len(x_data) > polyorder:
    poly = np.flip(np.polyfit(x_data, y_data, deg=polyorder))
else:
    # 处理数据不足的情况：返回默认值或跳过该组数据
    print(f"数据点不足，无法拟合{polyorder}阶多项式")
    poly = np.zeros(polyorder + 1)  # 示例默认值，可根据业务调整

4. 避免空切片的均值计算 #

在所有计算均值的场景，先判断数组是否为空：

def safe_mean(arr):
    if arr.size == 0:
        return 0.0  # 根据业务场景返回合适的默认值
    return np.mean(arr)

内容的提问来源于stack exchange，提问作者bt3