Стандартизировать массив 3D NumPy, дополненный np.nan

У меня есть 3D-матрица формы (100, 40, 170).

Эта матрица была дополнена для достижения максимальной длины 170 путем заполнения np.nan (NaN).

Значения в матрице представляют собой коэффициенты MFCC из аудиоданных, извлеченных из набора данных UrbanSound8K с использованием LibRosa ( Питон).

(Исходный блокнот и данные являются общими, проверьте конец сообщения)

Мне нужно нормализовать эту матрицу по оси = 2:

1. Вычислите среднее значение по 3-й оси, игнорируя элементы, равные np.nan
2. Вычислить стандартное отклонение по 3-й оси, игнорируя элементы, равные np.nan
3. Вычтите среднее значение для каждого элемента, который не равен np.nan
4. Разделите на std dev каждый элемент, который не равен np.nan

Я пробовал много разных способов и не работал. Другие сообщения указывают на использование sklearn, но инструменты нормализации из этой библиотеки не дружат с 3D-матрицами... так что на данный момент это мой лучший подход:

# Compute mean and std dev matrices (omitting NaN and keeping shapes)
mean = np.nanmean(X_nan, axis=2, keepdims=True)
std = np.nanstd(X_nan, axis=2, keepdims=True)

Но затем, когда я вычитаю и делю, я получаю ошибки:

X_norm -= mean
X_norm /= std

В предупреждающем сообщении говорится:

RuntimeWarning: divide by zero encountered in true_divide

И когда я проверяю только первые элементы нормализованной и исходной матриц, я вижу:

# Original
array([[[-58.95327, -58.95327,        -58.95327,       ...,          
                     nan,             nan,            nan],

# Normalized
array([[[-inf,       -inf,            -inf,            ...,
                     inf,             inf,             inf],

Обратите внимание, что значения -inf вводятся при вычитании среднего, а не при делении.

Можете ли вы порекомендовать мне способ вычисления обеих метрик и выполнения вычитания и деления с помощью NumPy, опуская дополненные значения?

Большое спасибо!

Данные были созданы с помощью этого блокнота (обратите внимание, что репозиторий находится в разработке!): Классификация городских звуков с помощью CNN

Я загрузил данные (выделенные X и Y): Коэффициенты MFCC X и Y