Pandas计算度量值时出现非预期'Inf'值如何替换为可用数值

问题根因说明 #

• 第一种场景是数学层面的无穷大：非0值除以0，直接返回inf
• 第二种场景为浮点数精度问题触发：当Var2为绝对值极小的浮点数时，运算过程中会被判定为近似0，同样返回inf，这也是你提前四舍五入2位有效数字依然会出现inf的核心原因——若Var2四舍五入后结果刚好为0，还是会触发除0逻辑。

可落地处理方案 #

你可以根据业务需求选择以下任意一种方案：

方案1：计算前预处理分母（从根源避免inf生成） #

提前过滤分母Var2中绝对值小于业务可接受阈值的极小值，直接替换为pd.NA，后续运算会自动返回符合你预期的NA值：

import pandas as pd
import numpy as np

# 可根据业务场景调整阈值，此处示例为绝对值小于1e-6的分母判定为无效值
threshold = 1e-6
df['Var2'] = df['Var2'].where(df['Var2'].abs() > threshold, pd.NA)

# 执行除法运算
df['result'] = df['Var1'] / df['Var2']

方案2：计算后统一替换inf（操作更简单高效） #

先完成除法运算，再将所有正负inf值替换为你需要的可用数值（示例中替换为0，可按需修改为其他业务默认值）：

import pandas as pd
import numpy as np

# 先执行计算
df['result'] = df['Var1'] / df['Var2']

# 统一替换inf值
df['result'] = df['result'].replace([np.inf, -np.inf], 0)

方案3：分场景差异化处理inf #

如果需要对两种inf生成场景做不同的替换逻辑，可以按条件判断后赋值：

import pandas as pd
import numpy as np

df['result'] = df['Var1'] / df['Var2']

# 场景1：Var2为0时的inf替换为0
df.loc[df['Var2'] == 0, 'result'] = 0
# 场景2：浮点数精度导致的inf替换为Var1保留2位有效数字的结果（可按需调整替换规则）
df.loc[(df['Var2'] != 0) & np.isinf(df['result']), 'result'] = df['Var1'].round(2)

内容的提问来源于stack exchange，提问作者Adam Perez