NumPy 错误与警告：避坑指南，让你的代码飞起来🚀
各位程序猿、媛们，大家好！今天咱们不聊风花雪月，也不谈诗和远方，就来聊聊那些让你们抓狂、挠头、甚至想砸电脑的 NumPy 错误和警告！ 别怕，谁还没踩过坑呢？只不过有些人踩得深，有些人踩得浅，而今天，我就要带你们绕过那些深坑，让你的 NumPy 代码像雄鹰一样自由翱翔！🦅
开场白： NumPy，爱恨交织的甜蜜负担
NumPy，作为 Python 数据科学的基石，就像一把锋利的瑞士军刀，能帮你处理各种数值计算问题。但是，这把刀如果用不好，也会割到手！你是不是也遇到过这些情况？
- 明明以为万无一失的代码，突然蹦出一个
ValueError，告诉你形状不匹配？ - 循环跑了半天，发现效率低得令人发指，恨不得手撕电脑？
- 明明知道
np.nan是个坑，还是不小心掉进去了，然后数据就变得 "脏" 了？
别灰心，这都是必经之路！今天，我们就来深入剖析 NumPy 中常见的错误和警告，并提供一些实用的避坑技巧，让你的代码更加健壮、高效，让你的头发不再日渐稀疏！👴->👶
第一部分： 错误大作战：那些年，我们一起犯过的错
错误（Errors）就像代码中的拦路虎，直接导致程序崩溃。所以，必须优先解决！下面我们来看看 NumPy 中常见的错误类型：
1. 形状不匹配：ValueError: operands could not be broadcast together with shapes ...
这个错误，就像你在拼乐高的时候，发现两块积木根本就不是一个系列的，硬拼肯定不行！在 NumPy 中，这就是数组的形状不匹配。
场景重现：
import numpy as np
a = np.array([1, 2, 3]) # shape: (3,)
b = np.array([[1, 2], [3, 4]]) # shape: (2, 2)
try:
c = a + b
except ValueError as e:
print(f"错误信息：{e}")
print("形状：a.shape =", a.shape, "b.shape =", b.shape)
# 错误信息：operands could not be broadcast together with shapes (3,) (2,2)
# 形状：a.shape = (3,) b.shape = (2, 2)错误分析：
NumPy 在进行运算时，会尝试进行广播（Broadcasting），也就是自动调整数组的形状，使它们能够进行运算。但是，如果两个数组的形状差异过大，无法通过广播来解决，就会报这个错误。
解决方案：
- 手动调整形状： 使用
reshape、resize、transpose等函数，将数组的形状调整到可以进行运算的状态。 - 理解广播规则： 了解 NumPy 的广播规则，可以帮助你更好地设计数组的形状，避免不必要的错误。
- 规则1：如果两个数组的维度数不同，那么维度数较小的数组会在其形状的前面补1，直到两个数组的维度数相同。
- 规则2：如果两个数组在某个维度上的长度相等，或者其中一个数组在该维度上的长度为1，那么我们就说这两个数组在该维度上是相容的。
- 规则3：如果两个数组在所有维度上都是相容的，它们就能使用广播一起运算。
- 规则4：在运算之后，数组的形状是两个输入数组形状的对应维度上长度的最大值。
- 检查输入数据： 确保输入数据的形状符合预期，避免在程序运行过程中出现意外的形状不匹配。
广播规则图示：
| Array A Shape | Array B Shape | Result Shape |
|---|---|---|
| (3, ) | (3, ) | (3, ) |
| (3, ) | (1, 3) | (1, 3) |
| (3, 1) | (3, ) | (3, 1) |
| (3, 1) | (1, 3) | (3, 3) |
| (3, 2) | (3, ) | Error |
2. 索引越界：IndexError: index ... is out of bounds for axis ... with size ...
这个错误，就像你在书架上找书，结果找了一个不存在的编号，肯定找不到！在 NumPy 中，这就是索引超出了数组的范围。
场景重现：
import numpy as np
a = np.array([1, 2, 3, 4, 5])
try:
print(a[5])
except IndexError as e:
print(f"错误信息：{e}")
# 错误信息：index 5 is out of bounds for axis 0 with size 5错误分析：
NumPy 数组的索引从 0 开始，所以数组 a 的有效索引是 0 到 4。访问 a[5] 就会导致索引越界。
解决方案：
- 仔细检查索引： 确保索引值在数组的有效范围内。
- 使用切片： 如果需要访问数组的一部分，可以使用切片操作，例如
a[0:3]。 - 注意多维数组： 在多维数组中，需要确保每个维度的索引都在有效范围内。
3. 数据类型错误：TypeError: ufunc '...' did not contain a loop with signature matching types ...
这个错误，就像你在做饭的时候，把盐当成了糖，味道肯定不对！在 NumPy 中，这就是数据类型不匹配。
场景重现：
import numpy as np
a = np.array([1, 2, 3]) # int
b = np.array(['a', 'b', 'c']) # string
try:
c = a + b
except TypeError as e:
print(f"错误信息：{e}")
# 错误信息：ufunc 'add' did not contain a loop with signature matching types (dtype('int64'), dtype('<U1')) -> None错误分析：
NumPy 数组中的元素必须是相同的数据类型。整数数组和字符串数组不能直接进行加法运算。
解决方案：
- 确保数据类型一致： 使用
astype函数将数组转换为相同的数据类型。 - 了解数据类型： 使用
dtype属性查看数组的数据类型。 - 避免隐式类型转换： 尽量避免 NumPy 自动进行类型转换，因为可能会导致精度损失或意外的结果。
4. 除以零：RuntimeWarning: divide by zero encountered in ... (虽然是警告，但会导致 inf 或 nan)
这个错误，就像你在数学考试的时候，不小心把分母写成了 0，结果肯定无解！虽然 NumPy 不会直接报错，而是给出警告，但会导致结果变成 inf (无穷大) 或 nan (Not a Number)。
场景重现：
import numpy as np
a = np.array([1, 2, 3])
b = np.array([0, 2, 0])
with np.errstate(divide='ignore', invalid='ignore'): # suppress warnings
c = a / b
print(c) # [inf 1. inf]错误分析：
任何数除以 0 都是没有意义的。NumPy 会将结果设置为 inf 或 nan，这可能会影响后续的计算。
解决方案：
- 避免除以零： 在进行除法运算之前，检查除数是否为零。
- 使用
np.where： 可以使用np.where函数，在除数为零的情况下，返回一个特定的值，例如 0。 - 处理
inf和nan： 使用np.isinf和np.isnan函数来检测数组中是否存在inf和nan，并进行相应的处理。
表格总结：常见 NumPy 错误及解决方案
| 错误类型 | 错误信息 | 错误原因 | 解决方案 |
|---|---|---|---|
形状不匹配 (ValueError) |
operands could not be broadcast together with shapes ... |
数组的形状不匹配，无法进行广播。 | 1. 手动调整形状：使用 reshape、resize、transpose 等函数。2. 理解广播规则。3. 检查输入数据。 |
索引越界 (IndexError) |
index ... is out of bounds for axis ... with size ... |
索引超出了数组的范围。 | 1. 仔细检查索引。2. 使用切片。3. 注意多维数组。 |
数据类型错误 (TypeError) |
ufunc '...' did not contain a loop with signature matching types ... |
数组中的元素数据类型不匹配。 | 1. 确保数据类型一致：使用 astype 函数。2. 了解数据类型：使用 dtype 属性。3. 避免隐式类型转换。 |
除以零 (RuntimeWarning，导致 inf 或 nan) |
divide by zero encountered in ...， 结果为 inf 或 nan |
除数为零。 | 1. 避免除以零：在进行除法运算之前，检查除数是否为零。2. 使用 np.where：在除数为零的情况下，返回一个特定的值。3. 处理 inf 和 nan：使用 np.isinf 和 np.isnan 函数。 |
第二部分： 警告小贴士：防患于未然，代码更优雅
警告（Warnings）就像代码中的小提示，告诉你可能存在潜在的问题。虽然不会导致程序崩溃，但如果不重视，可能会导致意想不到的错误。
1. 广播警告：FutureWarning: Using a non-tuple sequence for multidimensional indexing is deprecated; use a tuple instead.
这个警告，就像老司机提醒你，前方路况复杂，小心驾驶！在 NumPy 中，它告诉你使用非元组的序列进行多维索引的方式已经过时，将来可能会被移除。
场景重现：
import numpy as np
a = np.array([[1, 2], [3, 4]])
rows = [0, 1]
cols = [0, 1]
with np.warnings.catch_warnings():
np.warnings.filterwarnings('ignore', category=FutureWarning)
b = a[rows, cols] # Deprecated way
print(b) # [1 4]警告分析：
早期版本的 NumPy 允许使用列表或其他序列进行多维索引，但这种方式容易引起歧义，所以官方推荐使用元组。
解决方案：
- 使用元组进行多维索引： 将索引序列改为元组，例如
a[(rows, cols)]。
改进后的代码：
import numpy as np
a = np.array([[1, 2], [3, 4]])
rows = [0, 1]
cols = [0, 1]
b = a[rows, cols] # No warning will be raised
print(b) # [1 4]2. 类型转换警告：DeprecationWarning: elementwise comparison failed; returning scalar instead, but in the future will perform elementwise comparison
这个警告，就像老师提醒你，考试的时候注意审题，别答非所问！在 NumPy 中，它告诉你直接比较数组和非数组对象可能会导致意外的结果。
场景重现：
import numpy as np
a = np.array([1, 2, 3])
b = 2
with np.warnings.catch_warnings():
np.warnings.filterwarnings('ignore', category=DeprecationWarning)
if a == b: # Comparison of array with scalar
print("相等")
else:
print("不相等")
# 不相等警告分析：
NumPy 在进行元素级别的比较时，会返回一个布尔数组。但是，如果将数组和非数组对象进行比较，早期版本的 NumPy 会返回一个标量值（True 或 False），而未来的版本可能会返回一个布尔数组。
解决方案：
- 使用
np.all或np.any： 如果要判断数组中的所有元素是否相等，可以使用np.all(a == b)。如果要判断数组中是否存在相等的元素，可以使用np.any(a == b)。
改进后的代码：
import numpy as np
a = np.array([1, 2, 3])
b = 2
if np.any(a == b): # Compare elementwise
print("存在相等的元素")
else:
print("不存在相等的元素")
# 不存在相等的元素3. np.matrix 的使用警告：PendingDeprecationWarning: the matrix subclass is not the recommended way to represent matrices or deal with linear algebra (see https://numpy.org/devdocs/reference/generated/numpy.matrix.html). Use regular NumPy arrays instead.
这个警告，就像朋友劝你，别再用大哥大了，换个智能手机吧！在 NumPy 中，它告诉你 np.matrix 类已经不推荐使用，应该使用普通的 NumPy 数组。
警告分析：
np.matrix 类是 NumPy 中用来表示矩阵的类，但是它的功能有限，而且与 NumPy 的其他功能兼容性不好。官方推荐使用普通的 NumPy 数组来进行矩阵运算。
解决方案：
- 使用 NumPy 数组代替
np.matrix： 使用np.array创建矩阵，并使用 NumPy 提供的函数进行矩阵运算。
4. 其他常见警告：
FutureWarning: The behavior of array scalar addition will change ...： 提醒你数组标量加法的行为可能会发生改变。RuntimeWarning: invalid value encountered in ...： 提醒你计算过程中出现了无效值，例如nan或inf。VisibleDeprecationWarning: Creating an ndarray from ragged nested sequences (which is a list-or-tuple of lists-or-tuples-or ndarrays with different lengths or shapes) is deprecated. If you meant to do this, you must specify 'dtype=object' when creating the ndarray.: 提醒你从不规则的嵌套序列创建数组的方式已经过时。
表格总结：常见 NumPy 警告及解决方案
| 警告类型 | 警告信息 | 警告原因 | 解决方案 |
|---|---|---|---|
广播警告 (FutureWarning) |
Using a non-tuple sequence for multidimensional indexing is deprecated; use a tuple instead. |
使用非元组的序列进行多维索引的方式已经过时。 | 使用元组进行多维索引：例如 a[(rows, cols)]。 |
类型转换警告 (DeprecationWarning) |
elementwise comparison failed; returning scalar instead, but in the future will perform elementwise comparison |
直接比较数组和非数组对象可能会导致意外的结果。 | 使用 np.all 或 np.any：如果要判断数组中的所有元素是否相等，可以使用 np.all(a == b)。如果要判断数组中是否存在相等的元素，可以使用 np.any(a == b)。 |
np.matrix 使用警告 (PendingDeprecationWarning) |
the matrix subclass is not the recommended way to represent matrices or deal with linear algebra ... Use regular NumPy arrays instead. |
np.matrix 类已经不推荐使用，应该使用普通的 NumPy 数组。 |
使用 NumPy 数组代替 np.matrix：使用 np.array 创建矩阵，并使用 NumPy 提供的函数进行矩阵运算。 |
不规则嵌套序列警告 (VisibleDeprecationWarning) |
Creating an ndarray from ragged nested sequences ... is deprecated. If you meant to do this, you must specify 'dtype=object' when creating the ndarray. |
从不规则的嵌套序列创建数组的方式已经过时。 | 如果确实需要从不规则序列创建数组，请明确指定 dtype=object。 否则，检查数据结构，确保序列的形状一致。 |
第三部分： 避免陷阱的通用技巧：磨刀不误砍柴工
除了针对特定错误和警告的解决方案外，还有一些通用的技巧可以帮助你避免 NumPy 中的陷阱：
- 阅读文档： NumPy 的官方文档是最好的老师！花时间阅读文档，了解 NumPy 的各种功能和用法。
- 编写单元测试： 编写单元测试可以帮助你及早发现代码中的错误，并确保代码的正确性。
- 使用调试器： 当遇到错误时，可以使用调试器来逐步执行代码，查看变量的值，找出错误的原因。
- 代码审查： 让同事或朋友帮你审查代码，可以发现你可能忽略的错误。
- 保持更新： 及时更新 NumPy 到最新版本，可以获得最新的 bug 修复和性能优化。
- 善用
try...except语句： 对于可能出现异常的代码块，使用try...except语句进行捕获和处理，避免程序崩溃。例如，处理文件读取、网络请求等场景。
结尾： 祝你编程愉快！
希望今天的分享能帮助你更好地理解 NumPy 的错误和警告，并避免常见的陷阱。记住，编程就像一场冒险，充满了挑战和乐趣。只要你不断学习、不断实践，就能成为一名优秀的 NumPy 专家！💪
最后，祝你编程愉快，代码飞起来！🚀