记一则 np.nan (np.average, np.argmin) 导致的死循环

设计算法的时候发现有时候算法无法结束，算法采用随机数据

a = np.arange(6).reshape(2, 3)
fail_to_chosen = np.average(a[np.zeros(2, dtype=bool)], axis=0)

则 fail_to_chosen = array([nan, nan, nan]) 且没有报错（连 RuntimeError/RuntimeWarning 都没有），但是如果不使用参数 axis 则有报错。

接下来对用 fail_to_chosen 对 a 进行计算，当然结果都是 nan，接下来我又使用了 np.argmin, np.argmax 这两个函数。

np.argmax([np.nan, 0.])  # 0
np.argmin([np.nan, 0.])  # 0

虽然函数含义相反但是结果都是 np.nan 的位置，于是整个算法进入死循环。

1. 预分类 a，得到正类和负类，意外得到空的负类 []；
2. 对 [] 使用带参数 axis 的 np.average 得到 avg = [nan, ...]；
3. 对 (a - avg) ** 2 = [nan] 使用 np.argmin；
4. 更新 a 的分类，显然全为负类；
5. 得到空的正类，情况和空的负类相同。

于是数据的类别在正类和负类中震荡，算法死循环了。