[Numpy] NaN과 inf 다루는 방법

데이터 분석에서 수치 연산이 제대로 되려면, 비정상 값(NaN, inf) 을 먼저 잡아야 합니다.

이 값들은 다음과 같은 문제를 일으킵니다.

• np.mean, np.sum, np.min 등 모든 통계함수를 무력화
• Pandas/NumPy/Sklearn이 이상하게 작동함
• 조건 필터링이 안 됨, 모델 입력이 망가짐

항목	NaN	inf / -inf
의미	Not a Number	무한대 (±∞)
발생 원인	0/0, sqrt(-1), log(-x)	1/0, overflow
비교	NaN != NaN (항상 False)	inf == inf, -inf == -inf
감지 방법	np.isnan()	np.isinf()

 

NaN과 inf를 감지하는 함수

Numpy에서 NaN과 inf를 감지하는 함수들이 있습니다.

바로 np.isnan(x), np.isinf(x), np.isfinite(x) 입니다.

함수	감지 대상	반환	메모리 복사 여부	axis 지원	주요 사용처
np.isnan(x)	NaN만	bool 배열	복사	❌	결측값 탐지
np.isinf(x)	±inf	bool 배열	복사	❌	무한값 감지
np.isfinite(x)	NaN + inf 제외	bool 배열	복사	❌	정상 수치만 필터링

 

x = np.array([1, np.nan, np.inf, -np.inf, 5])
np.isnan(x)     # [False True False False False]
np.isinf(x)     # [False False True True False]
np.isfinite(x)  # [True False False False True]

 

 

위 함수들은 모두 원본에는 영향을 주지 않으며, 반환 결과는 새로운 boolean배열 입니다.

→ Boolean indexing에 바로 사용 가능합니다.

 

그럼 NaN이 있는 상태에서 연산 가능한 함수도 보겠습니다.

함수	동작 방식	NaN 무시	axis 지원	복사 발생 여부
np.nanmean(x)	NaN 제외 후 평균	🟢	🟢	복사됨
np.nanpercentile(x, q)	NaN 제외 후 백분위 계산	🟢	🟢	복사됨

 

x = np.array([1, 2, np.nan, 4])
np.nanmean(x)         # → 2.333...
np.nanpercentile(x, 50)  # → 2.333...

 

 

axis 사용 시 처리 방식

import numpy as np

m = np.array([[1, 2, np.nan],
              [4, np.nan, 6]])
              
np.nanmean(m, axis=0)  # 열 평균 → [2.5, 2, 6]
np.nanmean(m, axis=1)  # 행 평균 → [1.5, 5]

• axis=0 → 열 기준 연산
• axis=1 → 행 기준 연산
• NaN을 제외하고 나머지 값만 계산됨
• 결과는 별도 배열로 반환되며 원본은 변하지 않음

 

1. NaN을 제거한 후 평균 구하기

data = np.array([10, 20, np.nan, 30])
clean_mean = np.nanmean(data)

 

2. inf 또는 NaN이 있는 값 제거

x = np.array([1, 2, np.nan, np.inf, 5])
x_clean = x[np.isfinite(x)]  # → [1, 2, 5]

 

3. log 연산 후 정상 값만 추출

x = np.array([1, 0, -1])
log_x = np.log(x)  # → [0. nan nan]
log_x[np.isfinite(log_x)]  # → [0.]

 

 

주의점

실수	설명	해결 방법
x == np.nan	항상 False → NaN은 자기 자신과도 같지 않음	np.isnan(x) 사용
np.mean(x)에 NaN 있음	결과 전체가 NaN	np.nanmean(x)로 대체
np.percentile(x)에 NaN 있음	percentile 전체가 NaN	np.nanpercentile(x) 사용
inf 값만 제거하면 된다 착각	NaN도 있어야 정상 연산 가능	np.isfinite(x) 사용

 

메모리 처리 관점에서

함수	메모리 복사	inplace 지원	원본 영향
np.isnan, np.isinf, np.isfinite	새 배열 반환 (copy)	❌	❌
np.nanmean, np.nanpercentile	복사된 배열 연산	🟢 (연산 결과만)	❌
직접 슬라이싱 (x[~np.isnan(x)])	새로운 배열 반환	❌	❌

 

결론은 모든 연산은 복사 기반이고 원본은 변하지 않습니다.

대용량에서는 memory-efficient logic이 중요합니다.

 

총 함수별 요약

함수	대상	NaN 무시	inf 무시	반환	axis지원	설명
isnan(x)	NaN	✅	❌	bool	❌	NaN만 True
isinf(x)	inf	❌	✅	bool	❌	±inf만 True
isfinite(x)	정상값	✅	✅	bool	❌	NaN/inf 제외
nanmean(x)	수치	✅	❌	float or array	✅	평균
nanpercentile(x, q)	수치	✅	❌	float or array	✅	백분위수

 

 

Numpy는 결측값과 무한값을 다루기 위해

세분화된 함수와 최적화된 연산 방식을 제공합니다.

결측 / 이상값 분석을 잘 하기 위해서는 반드시 다음 기준을 기억해야 합니다.

• 검사할 땐 isnan, isinf, isfinite
• 연산할 떈 nanmean, nanpercentile
• 정상값만 추출할 땐 x[isfinite(x)]