Python 删除Numpy数组中的NAN和INF
最近我在学习Python numpy时遇到了一个问题。实际上,我在远程服务器上测试一个自定义函数,该函数使用numpy.linalg.eig: 测试给出了错误报告“第1088行,在eig中:数组不能包含INF或NAN” 因此,我尝试删除那些包含NAN或INF的列,我的代码是:Python 删除Numpy数组中的NAN和INF,python,arrays,numpy,Python,Arrays,Numpy,最近我在学习Python numpy时遇到了一个问题。实际上,我在远程服务器上测试一个自定义函数,该函数使用numpy.linalg.eig: 测试给出了错误报告“第1088行,在eig中:数组不能包含INF或NAN” 因此,我尝试删除那些包含NAN或INF的列,我的代码是: def myfun(xAr,yAr) id1=isfinite(sum(xAr,axis=1)) id2=isfinite(sum(yAr,axis=1)) xAr=xAr[id1&id2] yAr
def myfun(xAr,yAr)
id1=isfinite(sum(xAr,axis=1))
id2=isfinite(sum(yAr,axis=1))
xAr=xAr[id1&id2]
yAr=yAr[id1&id2]
for i in xrange(xArr.shape[1]):
Mat=xAr.T*yAr*yAr.T*xAr
val,vec=linalg.eig(Mat)
# and so on...
然而,同样的错误再次出现
我不知道此测试的确切数据值,因为此测试是在远程服务器上进行的,并且禁止显示原始数据值。我所知道的是数据是一个包含NAN和INF的矩阵
有谁能给我一些建议,为什么isfinite不能在这里工作,或者我在删除这些NAN和INF时哪里做错了
In [1]: arr_1
Out[1]:
array([[ 0., nan, 2., 3.],
[ 4., 5., 6., 7.],
[ 8., 9., 10., 11.],
[ 12., nan, 14., 15.],
[ 16., 17., 18., 19.]])
In [2]: arr_2
Out[2]:
array([[ -0., -1., -2., nan],
[ -4., -5., -6., -7.],
[ -8., -9., -10., -11.],
[-12., -13., -14., -15.],
[-16., -17., -18., -19.]])
您可能希望忽略第1列和第3列。我们可以为此创建一个掩码:
In [3]: mask_1 = np.isfinite(arr_1).all(axis=0)
In [4]: mask_1
Out[4]: array([ True, False, True, True], dtype=bool)
In [5]: mask_2 = np.isfinite(arr_2).all(axis=0)
In [6]: mask_2
Out[6]: array([ True, True, True, False], dtype=bool)
结合这些遮罩,我们可以选择正确的列:
In [7]: mask_1 & mask_2
Out[7]: array([ True, False, True, False], dtype=bool)
In [8]: arr_1[:, mask_1 & mask_2]
Out[8]:
array([[ 0., 2.],
[ 4., 6.],
[ 8., 10.],
[ 12., 14.],
[ 16., 18.]])
如果我们决定过滤掉无效行,则需要交换轴:
In [9]: mask_1 = np.isfinite(arr_1).all(axis=1)
In [10]: mask_2 = np.isfinite(arr_2).all(axis=1)
In [11]: arr_1[mask_1 & mask_2, :]
Out[11]:
array([[ 4., 5., 6., 7.],
[ 8., 9., 10., 11.],
[ 16., 17., 18., 19.]])
看起来你把轴弄乱了,没什么了。np.nan_to_num()很适合在一个数组中重写nan和inf
pd.DataFrame.dropna()(数据位于数据框中)非常适合
有选择地删除行或列,而不是重写它们
就像nan_to_num会做的那样。好吧,我想我知道原因了。。。也许是因为在循环中被零除的计算。。。。
In [9]: mask_1 = np.isfinite(arr_1).all(axis=1)
In [10]: mask_2 = np.isfinite(arr_2).all(axis=1)
In [11]: arr_1[mask_1 & mask_2, :]
Out[11]:
array([[ 4., 5., 6., 7.],
[ 8., 9., 10., 11.],
[ 16., 17., 18., 19.]])