replace(np.inf)常不生效是因为整数列禁止存储np.nan，需先转float64或用mask；fillna对inf无效，正确顺序是先replace再fillna，mask最快且自动适配类型。
replace(np.inf) 为什么经常不生效？
直接写 df.replace(np.inf, np.nan) 很可能没反应——特别是当列是整数类型时。Pandas 对整数列禁止存 np.nan（因为 nan 是浮点概念），所以替换会静默失败，或抛出 ValueError: Cannot convert non-finite values (NA or inf) to integer。这不是 bug，是类型系统在拦你。
实操建议：
- 先检查数据类型：
df.dtypes，重点关注含inf的列是否为int64或uint* - 若需保留数值语义且后续要计算，优先把整数列转成
float64：df[col] = df[col].astype(float) - 再执行替换：
df.replace([np.inf, -np.inf], np.nan, inplace=True)（注意同时处理负无穷）
用 pd.option_context 临时放宽类型限制？
不行。Pandas 没有“临时允许 int 列存 nan”的上下文选项。pd.options.mode.use_inf_as_na = True 这个配置只影响 读取阶段（比如 pd.read_csv），对已有 DataFrame 的 replace 无作用。
真正有效的替代方案：
- 改用
df = df.mask(np.isinf(df))：它自动适配列类型，对整数列会隐式转为Int64（nullable integer dtype），保留<code>pd.NA - 或显式指定 nullable 类型：
df[col] = df[col].astype("Int64").replace([np.inf, -np.inf], pd.NA) - 如果只是临时清洗、后续立刻转 float，用
df.select_dtypes(include='number').replace([np.inf, -np.inf], np.nan)更安全
为什么 fillna 和 replace 不能混用处理 inf？
fillna 只识别 NaN 和 None，完全忽略 np.inf。写 df.fillna(np.nan) 对 inf 值零影响。这是常见误解点。
正确组合方式（按顺序）：
- 先清理无穷：
df.replace([np.inf, -np.inf], np.nan) - 再填缺失：
df.fillna(0)或df.fillna(df.mean(numeric_only=True)) - 注意：
fillna默认不修改原 DataFrame，记得加inplace=True或重新赋值
性能差异：mask vs replace vs apply
三者都能实现，但速度差一到两个数量级：
-
df.mask(np.isinf(df))最快，向量化，底层用 C 实现 -
df.replace([np.inf, -np.inf], np.nan)次之，也向量化，但匹配逻辑稍重 -
df.applymap(lambda x: np.nan if np.isinf(x) else x)（已弃用）或apply+np.where最慢，纯 Python 循环，大数据量卡顿明显
实际项目里，只要列不是极宽（>1000 列），优先选 mask；需要兼容老 Pandas 版本（replace。
最易被忽略的点：替换后务必检查 df.isin([np.inf, -np.inf]).any().any()，别只信“没报错”就以为清干净了——某些混合类型列里，inf 可能藏在 object 列的字符串里（比如 "inf"），那得用 str.replace 单独捞。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
