我太懂你遇到的这个糟心问题了！之前用skimage的TV去噪处理带NaN的数组时也踩过一模一样的坑——纯有效数据时去噪效果好好的，结果一加入NaN值，整个去噪结果直接变成全NaN数组了。这其实是因为denoise_tv_chambolle本身没做缺失值处理逻辑，NaN会在迭代计算里不断传播，最后把所有值都污染了。

给你两个实用的解决思路，亲测有效：

方法一：先填充NaN值，再进行去噪 #

最直接的办法就是先把数组里的NaN值用合理的数值补上，再用TV去噪。填充的方式可以根据你的数据情况选：

简单邻域均值填充（适合小范围NaN）

如果你的NaN区域不大，可以用邻域内的非NaN均值来替换NaN，代码示例如下：

from skimage.restoration import denoise_tv_chambolle
import numpy as np
from scipy.ndimage import generic_filter

# 生成带NaN的测试数据（和你的代码一致）
data_random = np.random.random([100,100])*100
data_random[20:30, 50:60] = np.nan
data_random[30:40, 55:60] = np.nan
data_random[40:50, 65:75] = np.nan

# 定义邻域均值填充函数：用3x3邻域的非NaN均值替换NaN
def fill_nan_with_neighbor_mean(arr):
    valid_values = arr[~np.isnan(arr)]
    return valid_values.mean() if len(valid_values) > 0 else 0

# 对数组进行填充，mode='nearest'处理边缘情况
data_filled = generic_filter(data_random, fill_nan_with_neighbor_mean, size=3, mode='nearest')

# 现在对填充后的数组做TV去噪
data_denoised = denoise_tv_chambolle(data_filled, weight=0.1)

更精确的图像修复填充（适合大范围NaN）

如果你的NaN区域比较大，推荐用skimage的图像修复工具，比如双调和插值修复，能更自然地补全缺失区域：

from skimage.restoration import inpaint_biharmonic

# 创建NaN的掩码：True表示缺失区域
mask = np.isnan(data_random)

# 先把NaN临时替换成0（修复函数不接受NaN）
data_temp = np.where(mask, 0, data_random)

# 修复缺失区域
data_filled = inpaint_biharmonic(data_temp, mask, channel_axis=None)

# 再进行TV去噪
data_denoised = denoise_tv_chambolle(data_filled, weight=0.1)

方法二：修改TV去噪的计算逻辑（进阶版） #

如果你不想填充NaN，也可以自己实现支持NaN的TV去噪逻辑，核心是在计算梯度和迭代时忽略NaN值，但这个需要对TV去噪的算法有一定了解，实现起来比较繁琐，一般情况下先用填充的方法就足够啦。

最后给你看下对应的效果对比：
原始数据：

去噪后的数据（无NaN）：

带NaN值的数据：

用填充+去噪的方法处理后，就能得到类似无NaN时的去噪效果，不会再出现全NaN的情况了~

备注：内容来源于stack exchange，提问作者zxdawn