捕获 zerodivisionerror 必须用 try/except，因前置判断无法覆盖隐式除法、自定义 __truediv__、浮点边界及第三方库重载等场景；统一捕获 zerodivisionerror 即可，需保留异常对象用于调试和语义化处理。
捕获 ZeroDivisionError 必须用 try/except，不能靠条件预判所有情况
除零错误在 Python 中是运行时异常，不是语法错误，if x != 0 这类前置判断看似稳妥，但实际可能漏掉隐式除法（比如 numpy 数组运算、自定义 __truediv__ 方法、或浮点数 1e-324 / 0.0 等边界情形）。真正可靠的拦截方式只有 try/except。
常见错误现象：ZeroDivisionError: division by zero 或更具体的 ZeroDivisionError: float division by zero，它们都继承自同一异常类，统一捕获即可。
- 只写
except ZeroDivisionError:就够了，不需要额外except Exception: - 不要用空
except:，会吞掉其他关键异常（如KeyboardInterrupt） - 如果涉及浮点数，注意
0.0和-0.0都会触发该异常
except ZeroDivisionError as e 要保留原始错误信息用于调试
直接忽略异常或只打印模糊提示（如 "计算出错了"）会让问题难以定位。把异常对象赋给变量，就能访问其字符串表示和类型细节。
try:
result = a / b
except ZeroDivisionError as e:
print(f"除零错误：{e}，发生在 {a} / {b}")
result = float('inf') if a > 0 else float('-inf') # 根据业务补默认值
-
str(e)是"division by zero"这类固定文本，不包含变量名，所以日志里要手动拼入a、b值 - 若需区分整数/浮点除法，可检查
type(a)和type(b)，但通常没必要——异常类型本身已足够 - 不要在
except块里再抛新异常却不带原异常（如raise ValueError("失败")），会丢失堆栈；要用raise ValueError(...) from e
在函数中处理 ZeroDivisionError 时，返回值语义必须明确
很多初学者在 except 块里直接 return None 或 return 0，但调用方未必知道这代表“除零失败”，容易引发后续逻辑错乱。
- 优先考虑抛出自定义异常（如
InvalidOperationError），让上层决定如何处理 - 若必须返回值，用
math.nan表示“未定义结果”，比0更符合数学直觉（尤其在数据分析场景） - 若函数签名已声明返回
float，返回float('inf')或float('nan')比None更类型安全 - 避免在库函数中静默吞掉
ZeroDivisionError，除非文档明确承诺“容忍除零”
NumPy 和 Pandas 中的除零行为与纯 Python 不同，不能套用同一套 try/except
numpy.divide(a, b) 或 df['x'] / df['y'] 默认不会抛 ZeroDivisionError，而是按 IEEE 754 规则生成 inf 或 nan，且可能触发 RuntimeWarning。这时候 try/except 完全无效。
- 控制 NumPy 行为用
np.seterr(divide='raise')，之后才会抛FloatingPointError（不是ZeroDivisionError） - Pandas 中可通过
pd.options.mode.use_inf_as_na = True统一处理inf，但不影响异常类型 - 混合使用时（比如先用 Pandas 计算再传给纯 Python 函数），仍需对最终标量除法单独加
try/except ZeroDivisionError
最易被忽略的是：第三方库可能重载除法逻辑，导致 ZeroDivisionError 并不出现，或者抛出子类异常（如 sympy.PoleError）。真正在生产环境处理除零，得先确认你调用的到底是谁的 / 操作符。
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！
