其实这个问题不止遇到一次了,但有时候同样分母为0,结果却直接为nan。对于这两者之间的关系目前我不太清楚。之前遇到该问题都是靠这两行代码莽过去
with np.errstate(divide='ignore', invalid='ignore'):
for i in onlist:
a = np.array()
b = np.array()
# 个人感觉重点是下面这个divide函数的casting参数
temp = np.divide(a -b, a,out=np.zeros_like(a), where=a!=0,casting="unsafe")
不过相除的结果是0,因为上面这行代码的本质就是遇到算不出的数据是,就以np.zeros_like(a)生成的矩阵中相应位置的数据去顶替。
所以想得到结果为nan,可以使用np.full_like,不只是nan,可以生产任何单一数据的矩阵
a = np.full([1,5], np.nan) # array([[nan, nan, nan, nan, nan]])
np.full_like(a,1) # # array([[1, 1, 1, 1, 1]])
即
temp = np.divide(a -b, a,out=np.full_like(a,np.nan), where=a!=0,casting="unsafe")
最后,我听同事说产生这个错误可能是因为做除法的两者之间有pandas的object类,所以需要指定数据类型再做除法,大家可以试试。