朴素贝叶斯模型拟合报错请求排查：输入含NaN值（作者预测）

报错原因 #

训练时触发ValueError: Input contains NaN，核心原因是输入数据中存在缺失值（NaN）。MultinomialNB算法要求训练用的特征（content列）和标签（author列）必须无缺失值，原代码未处理数据缺失，导致模型训练前的校验环节失败。

NaN来源定位 #

NaN只能来自以下两个字段：

• content列：部分文章内容为空，或CSV读取解析错误导致变成NaN
• author列：部分作者信息缺失，存储为NaN

要精准定位，可在加载数据后添加两行检查代码：

# 统计content列缺失值数量
print("content列缺失数:", df['content'].isna().sum())
# 统计author列缺失值数量
print("author列缺失数:", df['author'].isna().sum())

执行后就能明确哪一列存在缺失，以及具体缺失条数。

解决方案 #

针对缺失值，优先采用删除缺失行的方式（适合缺失比例较低的场景）；若缺失比例高，可考虑填充（比如content填充空字符串，author填充"Unknown"，但标签填充可能影响模型精度）。

修改后的完整代码 #

import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.naive_bayes import MultinomialNB
from sklearn.pipeline import make_pipeline
from sklearn.metrics import classification_report

# 加载数据集
df = pd.read_csv('articles1.csv')

# 删除content或author列含NaN的行
df = df.dropna(subset=['content', 'author'])

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(df['content'], df['author'], test_size=0.2, random_state=42)

# 创建模型流水线
model = make_pipeline(TfidfVectorizer(), MultinomialNB())

# 训练模型
model.fit(X_train, y_train)

# 模型评估（可选）
y_pred = model.predict(X_test)
print(classification_report(y_test, y_pred))

内容的提问来源于stack exchange，提问作者ADEWUYI ADEGBITE