NumPy RuntimeWarning异常排查：无负值/NaN数据仍触发对数无效值警告

嗨，这个问题我之前也碰到过！核心原因其实是np.select的执行逻辑和你想的不一样——它会先把所有choices里的表达式全部计算完，再根据conditions来挑选结果，而不是只计算符合当前条件的分支。

问题根源拆解 #

你看你的数据里，ebit有16.8、11.5这类大于1的正值，当np.select执行时，它会不管条件先计算np.log(1 - df['ebit'])，这时候1 - 16.8 = -15.8，对数函数输入负数就会触发RuntimeWarning，哪怕最后这个分支的结果根本不会被用到（因为你的数据里没有负的ebit）！

解决方案 #

推荐用np.piecewise替代np.select，它是专门为分段函数设计的工具，只会在对应的条件区间内执行对应的表达式，不会去计算不符合条件的分支，完美规避无效值警告。

修改后的完整函数代码：

import numpy as np
import pandas as pd

def calculate_ln_values(df):
    # 处理ebit的分段计算
    df['lnebit'] = np.piecewise(df['ebit'],
                               [df['ebit'] >= 0.0, df['ebit'] < 0.0],
                               [lambda x: np.log(1 + x), lambda x: -np.log(1 - x)])
    
    # 处理sale的分段计算
    df['lnsale'] = np.piecewise(df['sale'],
                               [df['sale'] >= 0.0, df['sale'] < 0.0],
                               [lambda x: np.log(1 + x), lambda x: -np.log(1 - x)])
    return df

另一种可选方案：用loc+掩码逐段计算 #

如果你更习惯pandas的操作风格，也可以先初始化列值为NaN，再用掩码定位有效区域计算：

def calculate_ln_values(df):
    # 处理ebit
    df['lnebit'] = np.nan
    mask_pos_ebit = df['ebit'] >= 0.0
    mask_neg_ebit = df['ebit'] < 0.0
    df.loc[mask_pos_ebit, 'lnebit'] = np.log(1 + df.loc[mask_pos_ebit, 'ebit'])
    df.loc[mask_neg_ebit, 'lnebit'] = -np.log(1 - df.loc[mask_neg_ebit, 'ebit'])
    
    # 处理sale
    df['lnsale'] = np.nan
    mask_pos_sale = df['sale'] >= 0.0
    mask_neg_sale = df['sale'] < 0.0
    df.loc[mask_pos_sale, 'lnsale'] = np.log(1 + df.loc[mask_pos_sale, 'sale'])
    df.loc[mask_neg_sale, 'lnsale'] = -np.log(1 - df.loc[mask_neg_sale, 'sale'])
    return df

验证效果 #

用你提供的测试数据运行修改后的函数，就不会再出现RuntimeWarning了，而且计算结果和你原本的逻辑完全一致。

备注：内容来源于stack exchange，提问作者PTQuoc