Python a/b，但如果b==0，则返回0

如果

b

为

0

，则返回

a/b

，如果

b

为

0

，如果

a

或

b

中至少有一个为

nan

，则返回

0

，并且适用于标量和数组输入，即

将numpy导入为np
def分区（a、b）：
输出=a/b
#out[b==0]=0类型错误：“float”对象不支持项分配
#out=np.nan到num（out，nan=0.0）
返回
断言div（2，1）=2
断言np.all（div（np.array（[2,2]），np.array（[1,1]）==np.array（[2,2]））
断言np.isnan（div（np.nan，np.nan））
assert div（np.array（0），np.array（0））==0

---

np.nan\u to_num

几乎可以做到这一点，但我很想控制条件（

b==0

vs

isnan

）。

只计算b不为0的插槽。
当然，这是假设（如问题中所述）输入是数组而不是标量

def div(a, b):
    out = np.zeros_like(a)
    out[b != 0] = a[b != 0] / b[b != 0]
    return out

---

要支持标量值，请将

a，b，=np.array（a），np.array（b）

添加为第一行。

仅计算b不为0的插槽。
当然，这是假设（如问题中所述）输入是数组而不是标量

def div(a, b):
    out = np.zeros_like(a)
    out[b != 0] = a[b != 0] / b[b != 0]
    return out

---

要支持标量值，请将

a，b，=np.array（a），np.array（b）

添加为第一行。

如何使用

np.where

np.where（b==0，0，a/b）

---

这假设您的输入是numpy数组，但在此之前您可以轻松地处理转换。

使用

np怎么样。where

np.where（b==0，0，a/b）

---

这假设您的输入是numpy数组，但在此之前您可以轻松地处理转换。

如果性能不是问题，您可以使用

正如@chepner已经指出的，

nan

案件已经由

/

处理。所以您只需要检查

b==0

@np.vectorize
def div(a, b):
    return 0 if b == 0 else a / b

---

如果性能不是一个问题，您可以使用

正如@chepner已经指出的，

nan

案件已经由

/

处理。所以您只需要检查

b==0

@np.vectorize
def div(a, b):
    return 0 if b == 0 else a / b

将numpy导入为np
def分区（a、b）：
如果（不存在（a，np.ndarray））：
返回a*b和a/b
其他：
a[b==0]=0
b[b==0]=1
返回a/b
断言div（2，1）=2
断言np.all（div（np.array（[2,2]），np.array（[1,1]）==np.array（[2,2]））
断言np.isnan（div（np.nan，np.nan））
assert div（np.array（0），np.array（0））==0

将numpy作为np导入
def分区（a、b）：
如果（不存在（a，np.ndarray））：
返回a*b和a/b
其他：
a[b==0]=0
b[b==0]=1
返回a/b
断言div（2，1）=2
断言np.all（div（np.array（[2,2]），np.array（[1,1]）==np.array（[2,2]））
断言np.isnan（div（np.nan，np.nan））
assert div（np.array（0），np.array（0））==0

a/b

如果任一参数为

nan

，则已返回

nan

；剩下要做的唯一一件事就是显式地测试

b==0

，或者捕获

a/b

在

b==0

时引发的

ZeroDivisionError

。类似

np.divide

的Ufunc。获取

where

参数（应该与

out

参数一起使用）。处理标量可能需要一个单独的路径，因为大多数

numpy

方法即使给定标量也会返回一个数组。@hpaulj

divide

实际上也可以很好地处理标量。是否将注释提升为答案？

a/b

如果任一参数为

nan

，则已返回

nan

；剩下要做的唯一一件事就是显式地测试

b==0

，或者捕获

a/b

在

b==0

时引发的

ZeroDivisionError

。类似

np.divide

的Ufunc。获取

where

参数（应该与

out

参数一起使用）。处理标量可能需要一个单独的路径，因为大多数

numpy

方法即使给定标量也会返回一个数组。@hpaulj

divide

实际上也可以很好地处理标量。“您想将评论升级为答案吗？”Maroun编辑。@nico读到最后。”要支持标量值…“@Maroun edited@nico read To end.”为了支持标量值…，提供矢量化函数主要是为了方便，而不是为了性能。该实现本质上是一个for循环。看，OP并没有提到性能。这是一个简单的文档化解决方案。我同意，如果绩效是一个问题，这并不理想，但这是一个有效的答案，它是有效的。我认为，鉴于其他简单的解决办法，应该阻止这种做法。未来的读者应该注意并相应地选择。矢量化功能主要是为了方便，而不是为了性能。该实现本质上是一个for循环。看，OP并没有提到性能。这是一个简单的文档化解决方案。我同意，如果绩效是一个问题，这并不理想，但这是一个有效的答案，它是有效的。我认为，鉴于其他简单的解决办法，应该阻止这种做法。未来的读者应该意识到这一点，并做出相应的选择。