拟合CART模型触发ValueError：输入含非法值但数据集无异常

核心错误原因分析 #

你遇到的ValueError大概率不是原始数据集有NaN/inf，而是以下几个隐藏问题：

1. 模型用错了：分类器硬套回归任务 #

你代码里用的RandomForestClassifier是分类模型，专门处理离散类别标签（比如是否洪水、洪水等级），但你的目标变量flood_height是连续的洪水高度，属于回归任务。强行给分类模型喂连续标签，会导致内部处理时出现数值范围或类型适配的异常，这是触发错误的最可能原因。

2. 分类变量处理的隐性问题 #

stattools.categorical处理precipitation后生成的结果，可能存在数据类型不兼容：

• 该函数返回的哑变量可能是整数类型，拼接后和elev的浮点类型混合，导致模型内部转float32时出现异常
• 如果precipitation本身是连续值，强行转分类哑变量会生成大量列，可能出现数值溢出

3. 没检查处理后的数据集 #

你说检查了原始df，但处理后的X和y才是模型输入，很可能在这里出问题：

• 比如flood_height存在极大值，超出float32的范围（float32最大值约3.4e38）
• 拼接后的X可能出现隐形NaN（比如索引不匹配导致的缺失）

具体修复步骤 #

1. 替换为回归模型 #

把RandomForestClassifier换成对应的回归器，这是最关键的修复：

from sklearn.ensemble import RandomForestRegressor

# 用回归器替代分类器，criterion也换成回归适用的（比如squared_error）
rf01 = RandomForestRegressor(n_estimators=100, criterion="squared_error").fit(X, rfy)

2. 检查处理后的数据 #

执行以下代码确认X和y的状态：

import numpy as np

# 检查X是否有NaN或无穷值
print("X存在NaN：", X.isnull().any().any())
print("X存在无穷值：", np.isinf(X).any().any())

# 查看数值范围，确认是否超出float32范围
print("\nX数值统计：")
print(X.describe())
print("\ny数值统计：")
print(y.describe())

# 检查数据类型是否统一为数值型
print("\nX列数据类型：")
print(X.dtypes)

3. 优化分类变量处理（可选） #

如果precipitation是分类值，建议用pandas的get_dummies替代stattools.categorical，更稳定：

# 生成哑变量，drop_first避免多重共线性
mar_cat_pd = pd.get_dummies(flood_tr['precipitation'], drop_first=True)
X = pd.concat((flood_tr[['elev']], mar_cat_pd), axis=1)

如果precipitation是连续值，完全没必要转分类，直接作为特征加入即可：

X = flood_tr[['elev', 'precipitation']]

内容的提问来源于stack exchange，提问作者dognose