np.isnan()对pandas对象报错因要求numeric ndarray输入，而Series/DataFrame是对象容器；应优先用.isna()或先.to_numpy()转换。
np.isnan() 为什么对 pandas Series 或 DataFrame 直接用会报错
因为 np.isnan() 要求输入是 numeric 类型的 ndarray，而 pandas 的 Series 或 DataFrame 是对象容器，不是纯数组。直接传进去会触发 TypeError: ufunc 'isnan' not supported for the input types。
实操建议：
- 先用
.to_numpy()或.values提取底层数组（注意：后者在 future 版本可能不推荐） - 更稳妥的是用 pandas 自带的
.isna()—— 它专为混合类型设计，能正确识别None、np.nan、pd.NaT - 如果硬要用
np.isnan()，确保输入已转成 float64 类型的ndarray，比如arr = df['col'].dropna().astype(float).values
nanmean 等 nan-函数在含 inf 时结果异常
np.nanmean()、np.nanstd() 这类函数只跳过 np.nan，但不处理 np.inf 或 -np.inf。一旦数组里混有无穷值，结果可能是 inf 或 nan（比如 nanstd([1, 2, np.inf]) 返回 inf）。
实操建议：
- 预处理时用
np.isfinite()筛掉非有限值：arr[np.isfinite(arr)] - 别依赖
nan*函数“自动兜底”，它们不是万能过滤器 - 若需保留 inf 并单独统计，得手动拆分逻辑：先
mask = np.isfinite(arr)，再分别算np.nanmean(arr[mask])和统计 inf 个数
用 np.where + np.isnan 做条件替换容易漏掉 None 或字符串 'nan'
np.where(np.isnan(arr), 0, arr) 只能捕获 np.nan，对 pandas 中常见的 None、空字符串、或字符串 'nan' 完全无效——这些在转成 numpy 数组时可能变成 object 类型，导致 np.isnan() 报错或返回全 False。
实操建议：
- 在 NumPy 层面做替换前，先统一数据类型：
arr = pd.to_numeric(df['col'], errors='coerce')，它会把无法解析的值强制转为np.nan - 如果必须用
np.where，确保arr.dtype是float64或float32；否则先arr.astype(float)（但会把None变成nan，而字符串会抛异常） - 更安全的做法是回退到 pandas：
df['col'].fillna(0)或df['col'].replace({None: 0, 'nan': 0})
nanmean 在 axis=1 下遇到全 NaN 行会返回 nan，不是跳过
np.nanmean(arr, axis=1) 对某一行全是 np.nan 时，不会跳过该行，而是返回 nan。这常导致后续计算中断，比如做除法时报 RuntimeWarning: invalid value encountered in double_scalars。
实操建议：
- 检查结果是否含
nan：np.isnan(result).any()，再决定是填充还是丢弃 - 用
np.nanmean(..., keepdims=True)保持维度，方便和原数组广播运算 - 若需“跳过全 NaN 行”，得手动 mask：
valid_rows = ~np.isnan(arr).all(axis=1)，再对arr[valid_rows]计算
NaN 处理最麻烦的地方不在函数调用本身，而在数据来源的混杂性——同一列里可能同时存在 np.nan、None、'NULL'、空字符串、甚至整数 0 伪装缺失值。没统一清洗就套用 np.isnan() 或 nanmean()，等于在沙上建楼。
