求助：训练模型出现loss=nan及0准确率的原因排查

以下是几个你可能遗漏的排查点，不一定是dataframe本身不适合建模：

• 特征尺度问题：薪资相关的连续特征（如工作年限、年收入）数值跨度通常很大，如果你的模型是神经网络、逻辑回归这类对尺度敏感的模型，未做标准化/归一化会直接引发梯度爆炸，导致Loss=NaN。检查代码中是否对连续特征使用了StandardScaler或MinMaxScaler做处理。
• 类别特征编码疏漏：数据集中的类别特征（如职业、学历、地区）若未做正确编码（比如直接传入字符串，或独热编码后出现全零无效列），会导致模型无法学习有效特征，进而出现0准确率。确认所有类别特征都已转换为模型可识别的数值形式，且无无效特征列。
• 标签异常未彻底清理：除了负值，要检查预测标签是否存在极端异常值（如远高于其他样本的薪资），或者标签分布是否极度不均衡（如绝大多数样本属于同一类别），这两种情况都会导致Loss计算异常或模型无法收敛。
• 模型参数与结构问题：学习率过高、模型层数过深都容易引发梯度爆炸。尝试降低学习率（比如从0.1调整至0.001），或简化模型结构，观察Loss是否恢复稳定。
• 数据加载细节：检查训练时的Batch Size是否过大，或者数据加载环节是否残留了隐形异常样本（如非数值型数据、格式错误的行）。可以先用小Batch Size跑几轮，同时打印前几个样本的特征、标签及模型预测值，直观验证数据传递是否正常。

内容的提问来源于stack exchange，提问作者오상윤