Sklearn训练LogisticRegression遇float64输入异常问题求助

这个错误的核心是你的特征集X里存在缺失值（NaN）、无穷大值（inf/-inf），或者有数值超出了float64的处理范围。下面是一步步的排查和解决方法：

1. 先查缺失值 #

先确认特征集里有没有NaN：

# 打印每列缺失值的数量
print(X.isnull().sum())
# 快速判断是否存在任何缺失值
print(X.isnull().values.any())

处理方案：

• 如果缺失值占比极低，直接删除对应行：X = X.dropna(axis=0)，或者删除全是缺失值的列：X = X.dropna(axis=1)
• 如果缺失值较多，用统计量填充：

  from sklearn.impute import SimpleImputer
  # 用均值填充（可选median/most_frequent对应中位数/众数）
  imputer = SimpleImputer(strategy='mean')
  X = imputer.fit_transform(X)
  

2. 检查无穷大值 #

很多时候数据处理中会不小心生成inf（比如除以0），检查方法：

import numpy as np
# 检查是否存在inf或-inf
print(np.isinf(X).values.any())
# 查看每列的inf数量
print(np.isinf(X).sum())

处理方案：

• 把inf替换成NaN，再用填充法处理：

  X = X.replace([np.inf, -np.inf], np.nan)
  # 用列均值填充NaN
  X = X.fillna(X.mean())
  

3. 排查极端大的数值 #

虽然独热编码一般生成0/1，但如果其他特征（比如票房、评分）有极端大的数，也会触发这个错误。先看数值范围：

# 查看所有特征的最小/最大值
print(X.describe().loc[['min', 'max']])

处理方案：

• 对特征做标准化，把数值压缩到合理范围：

  from sklearn.preprocessing import StandardScaler
  scaler = StandardScaler()
  X = scaler.fit_transform(X)
  

• 或者删除数值异常的行（比如大于99分位数的极端值）

4. 独热编码环节的坑 #

独热编码过程中也可能引入问题：

• 如果原始类别特征有缺失值，用pd.get_dummies编码后可能生成NaN
• 某些类别特征的取值全部相同，编码后列全是0/1，但如果处理不当也会有异常
  检查编码后的特征：

print(X.dtypes)
print(X.head())

处理方案：

• 编码前先处理类别特征的缺失值：比如用众数填充类别列
• 用OneHotEncoder替代pd.get_dummies，更稳定：

  from sklearn.preprocessing import OneHotEncoder
  encoder = OneHotEncoder(handle_unknown='ignore', sparse_output=False)
  # 假设cat_features是类别特征列名
  encoded_features = encoder.fit_transform(X[cat_features])
  # 合并编码后的特征和数值特征
  X = np.hstack([X.drop(cat_features, axis=1), encoded_features])
  

5. 最后检查数据类型 #

确保所有特征都是数值型（float64/int64），如果有object类型的列没处理，会隐性引入问题：

print(X.dtypes)

处理方案：

• 把object类型列要么做编码处理，要么转换成数值型，直接删除没用的列

内容的提问来源于stack exchange，提问作者shakkeer