Python中如何跳过NaN与Inf值绘图？含Pandas数据处理场景

这个问题我太熟悉了！当你用Pandas做除法产生Inf（因为除数为0）后，绘图库（比如matplotlib）确实会因为无法识别这些无效值抛出ValueError: Axis limits cannot be NaN or Inf。其实解决思路很简单——把计算后产生的NaN和Inf值过滤掉就行，下面给你几个具体的实现方案：

方案1：计算后直接过滤无效行 #

先完成m4的计算，然后通过布尔索引和dropna()剔除包含Inf或NaN的行，用干净的数据绘图：

import pandas as pd
import matplotlib.pyplot as plt

# 先构造你的原始数据（模拟示例）
data = {
    'm1': [4, 3, 4, 2, 4, 3],
    'm2': [5, 2, 3, 5, 3, 4],
    'm3': [2, 3, 4, 0, 8, 0]
}
df = pd.DataFrame(data)

# 计算m2/m3得到m4
df['m4'] = df['m2'] / df['m3']

# 过滤掉包含Inf或NaN的行
filtered_df = df[~df['m4'].isin([float('inf'), float('-inf')])].dropna(subset=['m4'])

# 绘制m1和m4的关系图
plt.scatter(filtered_df['m1'], filtered_df['m4'])
plt.xlabel('m1')
plt.ylabel('m2/m3')
plt.show()

这里~df['m4'].isin([float('inf'), float('-inf')])用来排除正/负无穷大的行，dropna()则处理可能出现的NaN（比如0/0的情况）。

方案2：先替换无效值再过滤 #

如果觉得直接写索引太繁琐，可以先把Inf替换成NaN，再统一用dropna()删除：

import numpy as np

# 计算m4
df['m4'] = df['m2'] / df['m3']

# 将Inf替换为NaN
df['m4'] = df['m4'].replace([float('inf'), float('-inf')], np.nan)

# 删除包含NaN的行
filtered_df = df.dropna(subset=['m4'])

# 绘图
plt.scatter(filtered_df['m1'], filtered_df['m4'])
plt.show()

这种方式更直观，把所有无效值统一转成NaN后再清理，逻辑更清晰。

方案3：绘图时直接过滤（无需新DataFrame） #

如果不想创建新的DataFrame，可以在绘图时直接用掩码过滤有效数据，一步到位：

# 计算m4
df['m4'] = df['m2'] / df['m3']

# 生成有效数据的掩码
valid_mask = df['m4'].notna() & ~df['m4'].isin([float('inf'), float('-inf')])

# 只传入有效数据绘图
plt.scatter(df['m1'][valid_mask], df['m4'][valid_mask])
plt.xlabel('m1')
plt.ylabel('m2/m3')
plt.show()

这种方式更节省内存，适合处理大型数据集。

可选：替换无效值而非删除（谨慎使用） #

如果你不想丢失行数据，也可以把Inf替换成一个合理的数值（比如数据中有效m4的最大值），但要注意这会改变数据分布，需根据业务场景判断：

# 找到m4的有效最大值
max_valid_m4 = df['m4'][~df['m4'].isin([float('inf'), float('-inf')])].max()

# 将Inf替换为这个最大值
df['m4'] = df['m4'].replace([float('inf'), float('-inf')], max_valid_m4)

# 直接绘图
plt.scatter(df['m1'], df['m4'])
plt.show()

内容的提问来源于stack exchange，提问作者sci-guy