如何处理DataFrame的inf值
在用DataFrame计算变化率时，例如(今天-昨天) / 昨天恰好为(2-0) / 0时，这些结果数据会变为inf。
为了方便后续处理，可以利用numpy，将这些inf值进行替换。
1. 将某1列（series格式）中的 inf 替换为数值。
import numpy as np df['Col'][np.isinf(df['Col'])] = -1
2. 将某1列（series格式）中的 inf 替换为NA值。
import numpy as np df['Col'][np.isinf(df['Col'])] = np.nan
3. 将整个DataFrame中的 inf 替换为数值（空值同理）。#感谢评论区的补充
import numpy as np df.replace(np.inf, -1) #替换正inf为-1 #替换正负inf为NA，加inplace参数 df.replace([np.inf, -np.inf], np.nan, inplace=True)
DataFrame有关inf的处理技巧
numpy中inf的相关文档
什么是inf？
IEEE 754浮点表示（正）无穷大。
为什么会产生？
>>> np.NINF -inf >>> np.inf inf >>> np.log(0) -inf >>> np.array([1,2])/0 #碰到的最多的情况 array([ inf, inf])
产生inf有什么好处？
目前没看到有什么好处，只是单纯用inf表示无穷大，方便理解和表示。
产生inf有什么坏处？
对用户而言，对inf需要特殊处理，加大了工作量。
为什么需要特殊处理？因为许多机器学习算法库并不支持对inf的处理。
怎么处理？
常见的处理方法：
- 不处理
- 替换
怎么获取到inf的所在位置并进行填补？
-
isinf：显示哪些元素为正或负无穷大 -
isposinf：显示哪些元素为正无穷大 -
isneginf：显示哪些元素为负无穷大 -
isnan：显示哪些元素不是数字 -
isfinite：显示哪些元素是有限的（不是非数字，正无穷大和负无穷大中的一个）
''' >>> np.isinf(np.inf) #其他函数同理使用，isinf使用最多。 True >>> np.isinf(np.array([1,np.inf])) array([False, True], dtype=bool) >>>np.isinf(pd.DataFrame(np.array([1,np.inf]))) 0 0 False 1 True >>>s1 = pd.Series([1,2,3,np.inf]) >>>s1 0 1.0 1 2.0 2 3.0 3 NaN dtype: float64 #对inf填补 999 >>>s1[np.isinf(s1)] = 999 >>>s1 0 1.0 1 2.0 2 3.0 3 999.0 dtype: float64 #对inf填补np.nan (较为常用) >>>s1[np.isinf(s1)] = np.nan >>>s1 0 1.0 1 2.0 2 3.0 3 NaN dtype: float64
以上为个人经验，希望能给大家一个参考，也希望大家多多支持Devmax。