ValueError：在預處理數據時，輸入包含NaN，無窮大或對於dtype（'float64'）而言太大的值

Question

我有兩個CSV文件（ 訓練集和測試集 ）。 由於少數列中存在可見的NaN值（ status ， hedge_value ， indicator_code ， portfolio_id ， desk_id ， office_id ）。

我通過將NaN值替換為與列對應的一些巨大值來啟動該過程。 然后我做LabelEncoding刪除文本數據並將它們轉換為數字數據。 現在，當我嘗試對分類數據執行OneHotEncoding時，我收到錯誤。 我嘗試將輸入逐個輸入到OneHotEncoding構造函數中，但是每列都會得到相同的錯誤。

基本上，我的最終目標是預測返回值，但由於這個原因，我被困在數據預處理部分。 我該如何解決這個問題？

我正在使用Python3.6與Pandas和Sklearn進行數據處理。

碼

import pandas as pd
import matplotlib.pyplot as plt
import numpy as np

test_data = pd.read_csv('test.csv')
train_data = pd.read_csv('train.csv')

# Replacing Nan values here
train_data['status']=train_data['status'].fillna(2.0)
train_data['hedge_value']=train_data['hedge_value'].fillna(2.0)
train_data['indicator_code']=train_data['indicator_code'].fillna(2.0)
train_data['portfolio_id']=train_data['portfolio_id'].fillna('PF99999999')
train_data['desk_id']=train_data['desk_id'].fillna('DSK99999999')
train_data['office_id']=train_data['office_id'].fillna('OFF99999999')

x_train = train_data.iloc[:, :-1].values
y_train = train_data.iloc[:, 17].values

# =============================================================================
# from sklearn.preprocessing import Imputer
# imputer = Imputer(missing_values="NaN", strategy="mean", axis=0)
# imputer.fit(x_train[:, 15:17])
# x_train[:, 15:17] = imputer.fit_transform(x_train[:, 15:17])
# 
# imputer.fit(x_train[:, 12:13])
# x_train[:, 12:13] = imputer.fit_transform(x_train[:, 12:13])
# =============================================================================


# Encoding categorical data, i.e. Text data, since calculation happens on numbers only, so having text like 
# Country name, Purchased status will give trouble
from sklearn.preprocessing import LabelEncoder, OneHotEncoder
labelencoder_X = LabelEncoder()
x_train[:, 0] = labelencoder_X.fit_transform(x_train[:, 0])
x_train[:, 1] = labelencoder_X.fit_transform(x_train[:, 1])
x_train[:, 2] = labelencoder_X.fit_transform(x_train[:, 2])
x_train[:, 3] = labelencoder_X.fit_transform(x_train[:, 3])
x_train[:, 6] = labelencoder_X.fit_transform(x_train[:, 6])
x_train[:, 8] = labelencoder_X.fit_transform(x_train[:, 8])
x_train[:, 14] = labelencoder_X.fit_transform(x_train[:, 14])


# =============================================================================
# import numpy as np
# x_train[:, 3] = x_train[:, 3].reshape(x_train[:, 3].size,1)
# x_train[:, 3] = x_train[:, 3].astype(np.float64, copy=False)
# np.isnan(x_train[:, 3]).any()
# =============================================================================


# =============================================================================
# from sklearn.preprocessing import StandardScaler
# sc_X = StandardScaler()
# x_train = sc_X.fit_transform(x_train)
# =============================================================================

onehotencoder = OneHotEncoder(categorical_features=[0,1,2,3,6,8,14])
x_train = onehotencoder.fit_transform(x_train).toarray() # Replace Country Names with One Hot Encoding.

錯誤

Traceback (most recent call last):

  File "<ipython-input-4-4992bf3d00b8>", line 58, in <module>
    x_train = onehotencoder.fit_transform(x_train).toarray() # Replace Country Names with One Hot Encoding.

  File "/Users/parthapratimneog/anaconda3/lib/python3.6/site-packages/sklearn/preprocessing/data.py", line 2019, in fit_transform
    self.categorical_features, copy=True)

  File "/Users/parthapratimneog/anaconda3/lib/python3.6/site-packages/sklearn/preprocessing/data.py", line 1809, in _transform_selected
    X = check_array(X, accept_sparse='csc', copy=copy, dtype=FLOAT_DTYPES)

  File "/Users/parthapratimneog/anaconda3/lib/python3.6/site-packages/sklearn/utils/validation.py", line 453, in check_array
    _assert_all_finite(array)

  File "/Users/parthapratimneog/anaconda3/lib/python3.6/site-packages/sklearn/utils/validation.py", line 44, in _assert_all_finite
    " or a value too large for %r." % X.dtype)

ValueError: Input contains NaN, infinity or a value too large for dtype('float64').

Answer 1

我在發布問題后再次瀏覽數據集，然后找到另一個帶NaN列。 當我可以使用Pandas函數獲取具有NaN的列列表時，我無法相信我浪費了太多時間。 因此，使用以下代碼，我發現我錯過了三列。 當我剛剛使用這個功能時，我在視覺上搜索NaN 。 處理完這些新的NaN ，代碼運行正常。

pd.isnull(train_data).sum() > 0

結果

portfolio_id      False
desk_id           False
office_id         False
pf_category       False
start_date        False
sold               True
country_code      False
euribor_rate      False
currency          False
libor_rate         True
bought             True
creation_date     False
indicator_code    False
sell_date         False
type              False
hedge_value       False
status            False
return            False
dtype: bool

Answer 2

該錯誤出現在您將其視為非分類功能的其他功能中。

像'hedge_value' ， 'indicator_code'等那些列包含來自原始csv的TRUE ， FALSE和來自fillna()調用的2.0混合類型數據。 OneHotEncoder無法處理它們。

如OneHotEncoder fit()文檔中所述：

 fit(X, y=None)

    Fit OneHotEncoder to X.
    Parameters: 

    X : array-like, shape [n_samples, n_feature]

        Input array of type int.

你可以看到它需要所有的X都是數字（int，但是浮點數）類型。

作為解決方法，您可以執行此操作來編碼分類功能：

X_train_categorical = x_train[:, [0,1,2,3,6,8,14]]
onehotencoder = OneHotEncoder()
X_train_categorical = onehotencoder.fit_transform(X_train_categorical).toarray()

然后將其與您的非分類功能連接起來。

Answer 3

要在生產中使用它，最佳做法是使用Imputer，然后使用模型保存在pkl中

這是一個蠢貨

df[df==np.inf]=np.nan
df.fillna(df.mean(), inplace=True)

最好使用它