对比numpy真值数组与预测数组时遭遇除零错误的解决方法咨询

• 评估模型预测效果时，需要读取两个32位浮点格式的二维numpy数组，计算预测值与真值的比值作为评分指标
• 真值数组中无有效数据的位置被填充为0，直接执行全局除法会触发除零错误，中断计算流程

方案1：使用numpy内置安全除法 #

• 调用np.divide()接口，通过where参数限定仅在真值非零的位置执行除法运算，其余位置可指定默认填充值，全程不触发除零错误
• 示例实现：

  # pred为预测值数组，gt为真值数组，dtype均为float32
  # 仅在gt值非0的位置计算比值，其余位置填充为float32格式的nan
  score = np.divide(
      pred, gt,
      out=np.full_like(pred, np.nan, dtype=np.float32),
      where=gt != 0
  )
  

• 该方法不会修改原始输入数组，输出数组自动匹配32位浮点格式，无格式精度损失

方案2：手动构建有效位置掩码 #

• 先生成真值数组非零位置的布尔掩码，仅提取有效位置的数值执行除法计算，匹配原始数组维度输出评分数组
• 示例实现：

  # 生成有效位置掩码
  valid_gt_mask = gt != 0
  # 初始化和原数组同维度、同精度的输出数组
  score = np.zeros_like(pred, dtype=np.float32)
  # 仅对掩码覆盖的有效点位计算比值
  score[valid_gt_mask] = pred[valid_gt_mask] / gt[valid_gt_mask]
  

• 生成的valid_gt_mask可直接复用于后续的评分统计流程，计算平均得分、有效数据占比时不需要重复做真值非零判断

• 不要直接关闭全局除零警告后执行常规除法操作，该方式会在真值为0的位置生成inf值，会污染后续的均值、方差等统计计算结果
• 若后续需要计算平均评分，直接使用np.nanmean(score)即可自动跳过填充的nan值，无需额外过滤
• 初始化输出数组时优先使用np.full_like接口，自动沿用原始数组的32位浮点精度，避免出现格式自动升位带来的内存开销增加

内容的提问来源于stack exchange，提问作者stillzero