推荐用 a[np.isinf(a)] = 0 直接原地替换 inf 和 -inf；它向量化、高效，且不影响 nan；整数数组不适用，需先检查浮点 dtype。
如何用 np.isinf 快速定位并替换 Inf 值
np.isinf 返回与原数组同形的布尔数组，True 对应 inf 或 -inf。这是最直接、向量化的方式，无需循环或判断。
实操建议：
- 直接对布尔索引赋值：
a[np.isinf(a)] = 0，一步到位，推荐首选 - 注意它同时捕获正负无穷，若只需处理
inf（不包括-inf），改用np.isposinf(a) - 若数组含
NaN，np.isinf不受影响，NaN保持不变
为什么不用 np.where 或 np.nan_to_num
np.where 虽然也能做，但多一层函数调用开销，且写法更啰嗦：np.where(np.isinf(a), 0, a) 会生成新数组，原地修改不如布尔索引高效。
np.nan_to_num 默认把 inf 换成 np.finfo(float).max，不是 0；要改成 0 得显式传参：np.nan_to_num(a, nan=0, posinf=0, neginf=0)，反而容易漏掉 neginf 参数。
常见错误现象：只设 posinf=0，结果 -inf 还在，调试时容易忽略。
Python 3.14.2是Python编程语言在2025年12月5日发布的稳定版本，属于3.14系列的第二个维护更新。该版本包含了18项修复，重点解决了多进程、数据类及正则表达式等模块的回归问题，并修复了CVE-2025-12084等安全漏洞。此版本标志着自由线程模式（移除GIL）正式获得官方支持，是Python发展的重要里程碑。
布尔赋值在视图/副本上的行为差异
如果 a 是某个大数组的切片（比如 a = big_arr[100:200]），直接 a[np.isinf(a)] = 0 是否影响原数组？答案是：看情况。
实操建议：
- 先检查
a.base is not None—— 若为True，说明a是视图，赋值会同步回原数组 - 若需确保安全修改副本，显式复制：
a = a.copy()再操作 - 对
np.memmap或某些只读数组，布尔赋值可能报ValueError: assignment destination is read-only，此时必须先a.setflags(write=True)（仅当底层内存允许）
性能与 dtype 兼容性注意事项
np.isinf 只对浮点类型（float32、float64、complex64/128）有效；整数数组调用会返回全 False 数组，不报错但逻辑失效。
实操建议：
- 替换前确认 dtype：
if np.issubdtype(a.dtype, np.floating)或np.issubdtype(a.dtype, np.complexfloating) - 整数数组中不可能有
inf，强行用np.isinf属于误用，应跳过 - 对超大数组（>1GB），布尔索引会临时生成一个等长布尔数组，内存翻倍；如内存敏感，可考虑分块处理或用
np.nan_to_num的就地模式（需 v1.19+）
真正容易被忽略的是 dtype 隐式转换——比如从 int64 数组混入浮点计算后生成 inf，但原始 dtype 没变，这时 np.isinf 仍可用，但得意识到 inf 实际来自计算过程而非原始数据。
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！
