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：

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.]])