LabVIEW Python集成工具包Error91：二维数组处理无效值问题排查

Error91的本质是变体包含的数据类型和你请求转换的LabVIEW数据类型不匹配，结合你用pandas DataFrame处理后返回numpy.ndarray的场景，我整理了几个最可能的原因和对应的排查方向：

1. numpy数组的类型与LabVIEW预期不匹配 #

• 如果你在LabVIEW的「变体转数据」里指定了二维DBL数组，但Python返回的numpy数组是int32/uint64这类非浮点类型，或者是object类型（比如DataFrame里有混合类型的列，比如数值+字符串），LabVIEW根本无法将其解析成目标类型，直接触发Error91。
• 排查方法：在Python代码里加一行print(df.values.dtype)，看输出的类型是不是和LabVIEW要转换的类型对应（比如float64对应DBL，int32对应I32）。如果是object类型，说明DataFrame里有非数值列，要么清理数据，要么强制转成统一数值类型：

  # 强制转成float64类型
  result_arr = df.values.astype(np.float64)
  

2. numpy数组的维度/形状不符合预期 #

• 如果你处理后的DataFrame是空的，或者返回的是一维数组（比如shape=(n,)），LabVIEW尝试把它转成二维数组时就会得到无效值或触发错误。另外，numpy默认是行优先（C顺序），而LabVIEW是列优先（Fortran顺序），虽然这不会直接导致无效值，但可能会让数据排列顺序错乱，也容易被误认为是无效值。
• 排查方法：在Python里打印数组形状print(df.values.shape)，确认是(行数, 列数)的二维结构。如果是一维，就用reshape转成二维：

  # 转成n行1列的二维数组
  result_arr = df.values.reshape(-1, 1)
  

  如果是顺序问题，可以转成LabVIEW兼容的列优先布局：

  result_arr = np.asfortranarray(df.values)
  

3. numpy数组包含特殊数值（NaN/Inf） #

• 虽然LabVIEW的DBL类型支持NaN，但在变体传递过程中，numpy的NaN/Inf可能会被解析成LabVIEW无法识别的无效值。尤其是当你用旧版本的LabVIEW Python工具包时，这个问题更常见。
• 解决方法：在返回前把特殊值替换成合法数值：

  # 把NaN替换成0，Inf替换成一个极大值
  result_arr = np.nan_to_num(df.values, nan=0.0, posinf=1e10, neginf=-1e10)
  

4. LabVIEW变体转数据的配置错误 #

• 你可能在「变体转数据」函数里选错了目标类型，比如明明要转二维数组，却选了一维；或者数组的维度大小和返回的numpy数组不匹配（比如你指定了固定大小的二维数组，但返回的数组行数/列数不一样）。
• 排查方法：确认「变体转数据」的类型端子是二维数组（可变大小），而不是固定大小的数组，并且类型和numpy数组的dtype严格对应。

内容的提问来源于stack exchange，提问作者小野寺翔