调用np.var函数时出现inf值的解决方法

最新推荐文章于 2023-08-05 11:42:31 发布
原创 最新推荐文章于 2023-08-05 11:42:31 发布 · 599 阅读 · 1 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#python #numpy

本文介绍了一种在使用NumPy的var函数时遇到输出inf值的问题及解决方案。问题原因可能是数值精度不足导致，通过指定更高精度的数据类型float64解决了该问题。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

调用var函数时发现输出了inf值

出现问题的代码：

var_vec = np.var(data, axis=0)

确认data没有问题，输出值有inf，搜索后发现可能由于精度不够造成的，更改代码如下解决了

var_vec = np.var(data, axis=0, dtype='float64')

附上参考网址：
Why does “numpy.mean” return ‘inf’?

处理inf的分析及解决方案 Python
James_CODER的博客
09-09 527
它是一个特殊的浮点数，表示无限大的值。在这个例子中，我们比较了正无穷大x与有限数值z的大小关系，以及正无穷大x与负无穷大y的大小关系。在这个例子中，我们比较了正无穷大x与有限数值z的大小关系，以及正无穷大x与负无穷大y的大小关系。在这个例子中，我们将一个正无穷大的值与一个有限的数值进行了加法、减法、乘法和除法运算。在这个例子中，我们将一个正无穷大的值与一个有限的数值进行了加法、减法、乘法和除法运算。根据浮点数的规则，两个正无穷大的值应该是相等的。根据浮点数的规则，两个正无穷大的值应该是相等的。
2.Numpy数组运算
最新发布
学习与分享
06-03 1258
高效数组操作：通过向量化运算替代 Python 循环，显著提升计算速度。支持多种数据类型（int/float/bool）和灵活的数组创建方式（zeros/ones/arange）。 丰富的数学工具：内置三角函数、指数对数、线性代数等函数，覆盖科学计算全场景。 灵活的索引机制：支持基本索引、切片、花式索引（整数 / 布尔数组），实现复杂数据筛选。 广播机制：自动处理不同形状数组的运算，减少代码冗余。 统计与条件工具：通过 函数、掩码操作高效处理数据筛选与替换，高效快捷。
打印浮点数输出 1.#IND 1.#INF nan inf 等解决
qq_32584715的博客
02-20 2593
进行浮点数编程时，如果没有注意，常常会出现输出类似1.#IND,1.#INF或者nan,inf之类奇怪的输出。这通常隐含了浮点数操作的异常。 特殊浮点数的含义 1.#INF/inf：这个值表示“无穷大 (infinity 的缩写)”，即超出了计算机可以表示的浮点数的最大范围（或者说超过了double类型的最大值）。例如，当用 0 除一个整数时便会得到一个1.#INF/inf值；相应的，如果用 0 除一个负整数也会得到-1.#INF/-inf值。 -1.#IND/nan：...
MATLAB结果中的inf（无穷大）解决办法
liuguangHighness的博客
05-24 4万+
对于较大数乘积运算结果中的inf，可以采用sym（a）符号变量解决。 例如，求区间[1，1000000]内所有质数的乘积。 若直接运行： tic A=1:1000000; B=A(isprime(A)); prod(B) toc 得出的结果将是inf，这样并不知道结果的大致大小，可以采用以下指令： tic A=1:1000000; B=A(isprime(A)); vpa(prod(sym(B))...
C语言 输出INF问题
热门推荐
风色幻想的博客
10-01 8万+
本人在编写以下小程序，当输入数据n、m大于65536时，发现无论如何设置sum的数据类型，输出sum的值都为INF： double fun(int n,int m){ int i; double sum = 0; for(;n <= m;n++){ sum += 1.0 / (n * n); } return sum; } int main(){ ...
数据过大默认为inf的处理办法
LoneWolf1800276的博客
04-05 1万+
数学上无穷大是一个非常常见的概念，在MATLAB里经常遇到的inf即代表该概念，在MATLAB软件中双精度算法中最大实数约为1.8e308，即运算超过该值就以inf为结果，但很多情况我们需要得到数值，这时可以采用sym（a）符号变量解决 例如, 运算结果小时，输出正常 a=1:100; b=prod(a) b = 9.332621544394410e+157 运算结果大时，输出inf a...
# ====== 2. NSGA-II核心实现 ====== def nsga2(pop_size=100, generations=100): # 初始化参数 n_var = 30 # 变量维度 pc, pm = 0.9, 1/n_var # 交叉/变异概率 eta_c, eta_m = 20, 20 # 分布指数 # 初始化种群 pop = np.random.rand(pop_size, n_var) for _ in range(generations): # 生成子代 offspring = crossover_mutation(pop, pc, pm, eta_c, eta_m) # 合并种群 combined = np.vstack((pop, offspring)) # 非支配排序 fronts = fast_non_dominated_sort(combined) # 拥挤度排序 new_pop = [] for front in fronts: if len(new_pop) + len(front) > pop_size: crowding_distances = crowding_distance(front) front = front[np.argsort(-crowding_distances)] new_pop += front[:pop_size - len(new_pop)].tolist() break else: new_pop += front.tolist() pop = np.array(new_pop) return pop # ====== 3. 核心操作实现 ====== def fast_non_dominated_sort(pop): # 实现快速非支配排序 S = [[] for _ in range(len(pop))] fronts = [[]] n = np.zeros(len(pop), dtype=int) rank = np.zeros(len(pop), dtype=int) # 计算支配关系 for i, p in enumerate(pop): for j, q in enumerate(pop): if all(zdt1(p) <= zdt1(q)) and any(zdt1(p) < zdt1(q)): S[i].append(j) elif all(zdt1(q) <= zdt1(p)) and any(zdt1(q) < zdt1(p)): n[i] += 1 if n[i] == 0: rank[i] = 0 fronts[0].append(p) # 构建前沿层 i = 0 while fronts[i]: next_front = [] for p in fronts[i]: for q in S[np.where((pop == p).all(axis=1))[0][0]]: n[q] -= 1 if n[q] == 0: rank[q] = i + 1 next_front.append(pop[q]) i += 1 fronts.append(next_front) return fronts[:-1] def crowding_distance(front): # 计算拥挤度 distances = np.zeros(len(front)) for obj in range(2): # 对每个目标函数排序 sorted_front = front[np.argsort([zdt1(ind)[obj] for ind in front])] distances[0] = distances[-1] = np.inf norm = zdt1(sorted_front[-1])[obj] - zdt1(sorted_front[0])[obj] if norm == 0: continue for i in range(1, len(front)-1): distances[i] += (zdt1(sorted_front[i+1])[obj] - zdt1(sorted_front[i-1])[obj]) / norm return distances # ====== 4. 遗传算子 ====== def crossover_mutation(pop, pc, pm, eta_c, eta_m): # 模拟二进制交叉和多项式变异 offspring = [] for _ in range(len(pop)//2): parents = pop[np.random.choice(len(pop), 2, replace=False)] if np.random.rand() < pc: # SBX交叉 beta = np.where(np.random.rand(*parents[0].shape) < 0.5, (2 * np.random.rand(*parents[0].shape))**(1/(eta_c+1)), (1/(2*(1 - np.random.rand(*parents[0].shape))))**(1/(eta_c+1))) c1 = 0.5 * ((1 + beta)*parents[0] + (1 - beta)*parents[1]) c2 = 0.5 * ((1 - beta)*parents[0] + (1 + beta)*parents[1]) else: c1, c2 = parents[0].copy(), parents[1].copy() # 多项式变异 for child in [c1, c2]: delta = np.where(np.random.rand(*child.shape) < pm, np.where(np.random.rand(*child.shape) < 0.5, (2*np.random.rand(*child.shape))**(1/(eta_m+1)) - 1, 1 - (2*(1 - np.random.rand(*child.shape)))**(1/(eta_m+1))), 0) child = np.clip(child + delta, 0, 1) offspring.extend([c1, c2]) return np.array(offspring) 将上述代码改为一个class类，以供后续调用
04-01
例如，将每个个体的目标值存储为一个列表，这样在比较支配关系时，可以直接访问预先计算好的值，而不是每次调用函数。这可能更高效。 但原代码中没有这样的处理，所以可能需要保持原逻辑，即每次比较时调用zdt1函数...
Python入门到精通-20个非常有用的Numpy函数
12-14 328
本文主要介绍了Python入门到精通-20个非常有用的Numpy函数，通过具体的内容展现，希望对大家Python语言的学习有所帮助。 以下这些函数并不常见，甚至你可能都没听说过，但是在有些时候它们真的很有用。 np.full_like 我敢打赌，你肯定使用过像ones_like 或 zeros_like 这样的常见 NumPy 函数。 full_like 和这两个完全一样，除了你可以创建一个与另一个矩阵具有相同形状的矩阵但是这些矩阵是使用自定义值填充的。 array = np.array([[1, 4,
运用Pandas进行数据分析——（2）Numpy基础
qq_64934627的博客
08-19 837
numpy基础知识
【笔记】2022.06.20 python数据分析三大神器numpy、pandas、matplotlib
SpriteNym的博客
06-20 2135
很强
深度学习中nan和inf的解决
ytusdc的博客
02-12 4954
1、 nan 和inf产生原因 搭建神经网络后产生的，在训练早期，模型参数可能不是很合适，会出现梯度消失和爆炸的情况，特别是有lstm,rnn这类网络的情况。nan 是not a number ,inf是无穷大。比如求损失函数会用到log，如果输入接近0，那么结果就是inf。 2、解决方法 2.1 学习率要设置小一些 2.2使用带上限的激活函数，如tf.nn.relu6 也就是对输出做了限制 2.2 检查输入数据中是否有nan或inf x = tf.constant([5.0, 4.8, 6
numpy 利用np.std() 计算出现 inf
time_forgotten的博客
06-08 3575
之前用np.std() 都很流畅，今天突然发现得出的结果是inf，检查了数据，发现数据没有问题，最后终于找到原因——由于变量定义的类型的原因。 计算的数据集，df的数据如下： # df是上百行几十列的数据 # 分别对df求期望和均质 df_numpy = np.array(df,dtype=np.float16) df_numpy_mean = np.mean(df_numpy) # --> 3740.0 df_numpy_std = np.std.
对应C语言中出现1.#INF00报错的解决方法
m0_54470017的博客
03-13 1万+
1.原因：1.#INF00：出现此报错说明是数值溢出，或者说是除数为0 2.解决方法：增大数的范围，对应除数为0的进行修改。 如：刘汝佳的《算法竞赛入门》2-4解答： #include <stdio.h> int main() { int n,m,k=1; while(scanf("%d%d",&n,&m)!=EOF) { double sum=0; if(n==m&&n==0) break; for(int i=n; i<=
C语言_0217笔记_浮点数：范围和精度/inf nan/浮点误差处理/科学计数法/输出精度
Shmily_as33的博客
02-17 1357
计科人的回炉重造
【C语言学习05】超过范围的浮点数
m0_51325544的博客
08-05 1869
超过范围的浮点数
C语言inf错误是什么,c语言中浮点运算的inf和nan错误
weixin_39695374的博客
05-18 1892
============================================作者：yuanluluhttp://blog.csdn.net/yuanlulu版权没有，但是转载请保留此段声明============================================自己遇到了浮点运算的错误，打印出来获得的浮点数总是inf、-inf、nan。郁闷了两天，网上搜了一下才搜到正解，...
MATLAB 方程式求根
weixin_46131409的博客
06-30 1773
一.符号方法(Symbolic Approach) 把自变量作为符号来处理,而非作为数来处理 1.创建符号变量/函数/对象: <x> = sym("<x>"[,<set>,"clear"]): 二.数值求根法(Numeric Root Solvers) 三.递归函数(Recursive Function) ...
关于Python中Inf与Nan的判断问题详解
qq_22162795的博客
01-09 1万+
这篇文章主要介绍了关于Python中Inf与Nan的判断问题，文中介绍的很详细，对大家具有一定的参考价值，有需要的朋友们下面来一起看看吧。 大家都知道 在Python 中可以用如下方式表示正负无穷： ? 1 2 float("inf") # 正无穷 float("-inf") # 负无穷
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值