numpy.where触发ZeroDivisionError：条件为False仍计算True分支的原因及解决

这是numpy里一个很容易踩的坑，我来给你讲明白原因和解决办法：

问题根源 #

np.where的工作机制和Python原生的if-else完全不同：它会先完整计算两个分支的所有表达式，再根据条件数组选择对应位置的值，而不是只计算满足条件的分支。

你这里的s1=0，所以不管你的条件(df['xyz']>0) & (s1 > 0) & (s2 > 0)是否为False，1/s1这个表达式都会被优先求值——直接触发ZeroDivisionError，根本轮不到条件判断来跳过它。

解决方案 #

根据你的需求，有几种高效且安全的实现方式：

方案1：先判断全局变量，避免无效计算 #

因为s1和s2是全局变量（不是DataFrame的列），我们可以先判断它们是否满足大于0的条件，再决定后续逻辑：

s1 = 0
s2 = 0
# 先做全局判断
if s1 > 0 and s2 > 0:
    df['c'] = np.where(df['xyz'] > 0, 1/s1, 0)
else:
    df['c'] = 0

这种方式效率最高，因为当s1或s2不满足时，直接给新列赋值0，完全跳过不必要的向量化计算。

方案2：用pandas apply逐行判断（适合复杂行级逻辑） #

如果你的条件涉及更多行内变量，或者逻辑更复杂，可以用apply逐行处理，这样只有条件满足时才会计算除法：

def get_c_value(row):
    if row['xyz'] > 0 and s1 > 0 and s2 > 0:
        return 1/s1
    return 0

df['c'] = df.apply(get_c_value, axis=1)

注意：apply是逐行迭代，数据量很大时效率会比向量化操作低，所以优先选方案1。

方案3：用np.select实现多条件分支（扩展场景） #

如果后续有更多分支需求，可以用np.select，但要先通过外部判断规避除零风险：

# 先提前处理可能的除零情况
div_value = 1/s1 if s1 > 0 else 0

conditions = [
    (df['xyz']>0) & (s1 > 0) & (s2 > 0),
    # 其他条件可以加在这里
]
choices = [
    div_value,
    # 对应其他条件的结果
]
# 最后一个参数是默认值
df['c'] = np.select(conditions, choices, default=0)

这个方案适合需要多分支判断的场景，但核心还是要先提前处理可能的错误计算。

关键总结 #

记住：numpy的向量化函数（比如np.where）没有Python原生的短路求值特性，所有分支表达式都会被预先计算。如果分支里有潜在的错误操作（比如除零），一定要先通过外部判断规避，或者用逐行处理的方式跳过错误分支。

内容的提问来源于stack exchange，提问作者anarz