如何处理Pandas计算股票回报率时产生的-Inf值？

这问题我之前做量化分析时也碰到过！根源其实是pct_change()的计算逻辑——它是用当前值 - 前一个值再除以前一个值，当你的avg列里出现0值的时候，就会触发除以0的情况，直接生成-Inf或者Inf。而默认的dropna()只会删除NaN，不会处理这些无穷值，所以它们会留在数据里，后续做统计、建模等操作时就容易莫名其妙出现NaN。

第一步：确认问题根源 #

先检查你的avg列是否存在0值，运行这段代码就能定位：

print(data[data['avg'] == 0])

如果输出结果里有行数据，那这些0值就是导致-Inf的罪魁祸首。

解决方案（按推荐程度排序） #

方案1：提前处理0值（最符合业务逻辑） #

如果你的股票数据里的0值是异常值（比如停牌、数据缺失），可以先把0值替换成合理的数值，比如用前一个非0值填充（适合时间序列数据）：

# 用前一个非0值填充0
data['avg'] = data['avg'].replace(0, method='ffill')
# 如果数据开头就有0，再用后一个非0值填充剩下的0
data['avg'] = data['avg'].replace(0, method='bfill')

处理完0值后，再计算回报率就不会出现除以0的情况了：

data['return'] = data['avg'].pct_change()/100
data.dropna(inplace=True)

方案2：计算回报率时直接规避除以0 #

用numpy.where做条件判断，当发现前一个avg值为0时，直接把回报率设为NaN，避免生成无穷值：

import numpy as np
data['return'] = np.where(
    data['avg'].shift(1) == 0,  # 检查前一个avg值是否为0
    np.nan,                     # 若是，回报率设为NaN
    data['avg'].pct_change()/100  # 否则正常计算
)
data.dropna(inplace=True)

方案3：计算后清理无穷值 #

如果已经生成了-Inf/Inf，可以直接把它们替换成NaN后再删除：

import numpy as np
data['return'] = data['avg'].pct_change()/100
# 将所有正负无穷值替换为NaN
data['return'] = data['return'].replace([np.inf, -np.inf], np.nan)
data.dropna(inplace=True)

注意事项 #

处理前一定要结合业务逻辑判断0值的意义：

• 如果是股票停牌导致的0，用前值填充更合理；
• 如果是数据采集错误，可能需要删除对应行；
• 不同场景的处理方式会影响后续分析的准确性，别盲目套用方案哦！

内容的提问来源于stack exchange，提问作者Coolio2654