Pandas DataFrame中inf值的处理与替换方法

落日邮差

发布时间：2026-10-16| 5人浏览过

原创

本文介绍在Pandas DataFrame计算中产生inf（无穷大）值的原因及处理方法。通过Numpy库提供的isinf、isposinf等函数定位inf位置，并演示如何将Series或整个DataFrame中的正负无穷大替换为指定数值或NaN，以适配机器学习算法对数据完整性的要求。

处理DataFrame中的inf值

在使用DataFrame进行变化率计算时，例如计算(今天-昨天)/昨天的公式中，若分母为0而分子为2，即(2-0)/0，计算结果会变为inf（无穷大）。

为了便于后续的数据处理流程，可以利用Numpy库的功能，将这些inf值进行替换或清洗。

第一种情况：将某一列（Series格式）中的inf值替换为具体的数值。

import numpy as np
 
df['Col'][np.isinf(df['Col'])] = -1

第二种情况：将某一列（Series格式）中的inf值替换为NA（空值）。

import numpy as np
 
df['Col'][np.isinf(df['Col'])] = np.nan

第三种情况：将整个DataFrame中的所有inf值替换为指定数值（处理空值的逻辑同理）。此处感谢评论区提供的补充建议。

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处理inf值的相关技巧

Numpy中关于inf的相关文档说明

什么是inf？

inf代表IEEE 754浮点数标准中的正无穷大。

为什么会产生inf？

>>> 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？

目前看来，产生inf并没有明显的优势，它仅仅是用来表示无穷大这一概念，便于数学理解和表达。

产生inf有什么坏处？

对用户而言，处理inf需要特殊的手段，这增加了数据预处理的工作量。

之所以需要特殊处理，是因为许多机器学习算法库并不直接支持对inf值的计算或处理。

怎么处理？

常见的处理方法包括：

不处理
替换

如何获取inf所在的位置并进行填补？

isinf：用于显示哪些元素为正或负无穷大
isposinf：用于显示哪些元素为正无穷大
isneginf：用于显示哪些元素为负无穷大
isnan：用于显示哪些元素是非数字（NaN）
isfinite：用于显示哪些元素是有限的（即既不是非数字，也不是正无穷大或负无穷大）

'''
>>> 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

以上为个人经验分享，希望能给大家一个参考，也希望大家多多支持本站。