如何高效替换Numpy数组中的非有限元素，有哪些性能更优的实现方案

列表推导式实现的正确性评估 #

• 功能上可以实现非有限元素的替换需求，但存在明显缺陷：
  1. 会将原numpy数组转换为Python列表，丢失numpy数组的连续存储、向量化计算等特性，后续如果需要进行数值计算还需要额外转换，增加不必要开销
  2. 遍历属于Python级别的循环，面对大数组时执行效率极低，内存上也会产生大量Python float对象的额外开销，综合性能远差于numpy原生方案。

初始写法失效的原因 #

你最开始使用的myArray[not np.isfinite(myArray)]=myMax不生效，是因为Python内置的not关键字仅支持对单个布尔值做逻辑判断，无法直接作用于np.isfinite返回的布尔数组。如果要对numpy布尔数组做批量逻辑非操作，应该使用~运算符或者np.logical_not方法。

性能更优的numpy原生解决方案 #

方案1：原地修改（内存占用最低） #

直接对非有限元素的位置做索引赋值，无额外数组拷贝开销，适合不需要保留原数组的场景：

myArray[~np.isfinite(myArray)] = myMax

方案2：生成新数组（保留原数组） #

如果需要保留原始数组不被修改，可以使用np.where实现：

myArray = np.where(np.isfinite(myArray), myArray, myMax)

性能对比说明 #

对于长度超过1万的数组，上述numpy向量化方案的执行速度是列表推导的几十到上百倍，内存占用仅为列表推导的1/4到1/5，优势会随着数组规模增大进一步拉大。

内容的提问来源于stack exchange，提问作者Stef1611