numpy中检测异常值需组合使用np.isnan()和np.isinf()：前者仅对浮点数有效，后者捕获±inf；推荐has_bad = np.isnan(arr).any() or np.isinf(arr).any()，避免typeerror与误判。
用 np.isnan() 和 np.isinf() 分别检查
NumPy 不提供“一键检测所有异常值”的函数，但 np.isnan() 和 np.isinf() 是最直接、开销最小的手段。它们返回布尔数组，需配合 .any() 才能快速得到标量结果。
-
np.isnan(arr)只对float类型有效；整数数组或字符串数组调用会静默返回全False，不报错但结果无意义 -
np.isinf(arr)同样只作用于浮点数，且会同时捕获np.inf和-np.inf - 若数组含多种 dtype（如结构化数组），需先确认字段类型，否则布尔索引可能出错
一行判断：组合 np.isnan() + np.isinf()
实际项目中通常要同时排除 NaN 和无穷值，推荐写成：
has_bad = np.isnan(arr).any() or np.isinf(arr).any()
注意不能写成 np.isnan(arr) | np.isinf(arr) 再调用 .any() —— 这会在整数数组上触发 TypeError: ufunc 'isnan' not supported for the input types，因为 np.isnan() 对非浮点类型不兼容。
- 如果确定
arr是浮点型（arr.dtype == np.float64等），可用更紧凑写法：has_bad = np.any(np.isnan(arr) | np.isinf(arr))
- 对大型数组，
.any()有短路行为（找到第一个True就停），比np.sum()或np.count_nonzero()更快
避免误判：注意 np.nan 的特殊比较行为
np.nan != np.nan 恒为 True，所以绝不能用 arr == np.nan 或 arr != np.nan 来检测 NaN —— 这会返回全 False 数组。
- 同理，
arr is np.nan也无效，因为np.nan是个对象，数组元素是值而非引用 - 曾有人用
np.where(arr != arr)做 NaN 检测，虽在数值上等价于np.isnan()，但可读性差、易被误读，且不处理无穷值 - 若从 Pandas 导入数据，记得
pd.isna()能统一处理 NaN、None、NaT，但 NumPy 原生数组不认None
性能敏感时：优先用 np.any()，慎用 np.sum()
对上亿元素的数组，np.any(np.isnan(arr)) 平均耗时比 np.sum(np.isnan(arr)) > 0 低一个数量级，尤其当异常值靠前时。
-
np.any()是 C 层短路实现；np.sum()必须遍历全部元素 - 不要为了“看起来更函数式”而写
np.count_nonzero(np.isnan(arr)) > 0，它和np.sum()一样无短路 - 如果后续还需知道有多少个 NaN，再考虑
np.count_nonzero()，否则纯判断场景一律用.any()
float64 并填 np.nan，但你自己用 np.loadtxt() 且没设 dtype=float，就可能拿到整数数组——此时 np.isnan() 完全失效，却不会报错。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！
