[转载] dataframe中有关inf的处理技巧

参考链接： Python中的numpy.isposinf

numpy中inf的相关文档 

什么是inf？ 

IEEE 754浮点表示（正）无穷大。 

为什么会产生？ 

>>> 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？ 

目前没看到有什么好处，只是单纯用inf表示无穷大，方便理解和表示。 

产生inf有什么坏处？ 

对用户而言，对inf需要特殊处理，加大了工作量。 为什么需要特殊处理？因为许多机器学习算法库并不支持对inf的处理。 

怎么处理？ 

常见的处理方法：  

不处理替换  

怎么获取到inf的所在位置并进行填补？ 

'''

isinf：显示哪些元素为正或负无穷大

 

isposinf：显示哪些元素为正无穷大

 

isneginf：显示哪些元素为负无穷大

 

isnan：显示哪些元素不是数字

 

isfinite：显示哪些元素是有限的（不是非数字，正无穷大和负无穷大中的一个）

 

'''

>>> 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

 

 

以上就是本文的内容，觉得好的可以关注下。