你不能解决它。简单地answer1.sum()==0，你不能执行除以零。
这是因为answer1是2个非常大的负数的指数，因此结果被舍入为零。
nan在这种情况下返回，因为除以零。
要解决这个问题，你可以：

• 去找一个高精度数学的库，比如mpmath。但那就没那么有趣了。
• 作为一个更大的武器的替代品，做一些数学运算，如下所述。
• 去找一个量身定制的scipy/numpy函数，它能完全满足你的需求！查看@Warren Weckesser的答案。

在这里，我解释了如何做一些数学操作，有助于这个问题。我们有这样的分子：

exp(-x)+exp(-y) = exp(log(exp(-x)+exp(-y)))
                = exp(log(exp(-x)*[1+exp(-y+x)]))
                = exp(log(exp(-x) + log(1+exp(-y+x)))
                = exp(-x + log(1+exp(-y+x)))

其中x=3* 1089和y=3* 1093以上。现在，这个指数的参数是
-x + log(1+exp(-y+x)) = -x + 6.1441934777474324e-06
对于分母，您可以进行类似的处理，但获得log(1+exp(-z+k))已经四舍五入到0，因此分母处的指数函数的参数简单地四舍五入到-z=-3000。

exp(-x + log(1+exp(-y+x)))/exp(-z) = exp(-x+z+log(1+exp(-y+x)) 
                                   = exp(-266.99999385580668)

这已经非常接近于如果你只保留2个前导项（即分子中的第一个数字1089和分母中的第一个数字1000）的结果：

exp(3*(1089-1000))=exp(-267)

为了它的缘故，让我们看看我们有多接近Wolfram alpha（link）的解决方案：

Log[(exp[-3*1089]+exp[-3*1093])/([exp[-3*1000]+exp[-3*4443])] -> -266.999993855806522267194565420933791813296828742310997510523

这个数字和上面的指数之间的差是+1.7053025658242404e-13，所以我们在分母上做的近似是好的。
最后的结果是

'exp(-266.99999385580668) = 1.1050349147204485e-116

从Wolfram alpha是（link）

1.105034914720621496.. × 10^-116 # Wolfram alpha.

同样，在这里使用numpy也是安全的。

你可以使用np.logaddexp（它实现了@gg349的答案中的想法）：

In [33]: d = np.array([[1089, 1093]])

In [34]: e = np.array([[1000, 4443]])

In [35]: log_res = np.logaddexp(-3*d[0,0], -3*d[0,1]) - np.logaddexp(-3*e[0,0], -3*e[0,1])

In [36]: log_res
Out[36]: -266.99999385580668

In [37]: res = exp(log_res)

In [38]: res
Out[38]: 1.1050349147204485e-116

也可以使用scipy.special.logsumexp：

In [52]: from scipy.special import logsumexp

In [53]: res = np.exp(logsumexp(-3*d) - logsumexp(-3*e))

In [54]: res
Out[54]: 1.1050349147204485e-116

如果将零长度（在某个维度上）数组传递给使用除法来导出其输出的numpy方法（例如np.mean()，np.median()，np.var，np.cov等），也会出现此警告。
获取此类数组的常见方法是使用某些条件过滤数组，该条件返回零长度数组。因此，如果即使您不使用非常小或非常大的数字也会引发此警告，请检查数组的形状。
举个例子：

arr = np.array([1, 2, 3])
arr_sliced = arr[arr < 0]   # array([], dtype=int32)
avg = np.mean(arr_sliced)   # RuntimeWarning: invalid value encountered in double_scalars