嘿，我来帮你搞定这个问题！你遇到的ValueError说明哪怕做了NaN和inf的替换与填充，数据里还是藏着这些问题，再加上2300+的特征量，确实会给处理增加难度。下面分两部分给你具体的解决方案：

1. 排查并定位问题数据 #

• 先确认填充后的数据是否真的干净：
  • 检查是否还有残留的NaN：执行print(df_imputed.isna().any().any())，如果输出True，说明还有未填充的NaN；再用print(df_imputed.columns[df_imputed.isna().any()])定位具体出问题的列。
  • 检查是否有隐藏的inf：执行print(np.isinf(df_imputed).any().any())，定位列用print(df_imputed.columns[np.isinf(df_imputed).any()])。
• 为什么会出现这种情况？最常见的原因是某些列全是NaN：因为df.mean()对全NaN的列返回的还是NaN，所以fillna(df.mean())根本没填充这些列。你可以用df_imputed.isna().sum()[df_imputed.isna().sum() > 0]查看每列的NaN数量，确认是不是全NaN的列。
• 另外检查特征列的类型：执行print(X.dtypes)，如果有object类型的列，说明存在非数值型数据（比如字符串），这类列无法计算均值，填充后还是NaN，必然会导致ADASYN报错。
• 最后排查极端值：有没有超出float64范围的数值？可以用print((df_imputed > np.finfo(np.float64).max).any().any())检查，不过这种情况比较少见，但也不能忽略。

2. 处理2300+特征的解决方案 #

第一步：先清理有问题的特征 #

• 删掉全NaN的列：这类列完全没有有效信息，留着只会添乱，执行：

  df_clean = df_imputed.drop(df_imputed.columns[df_imputed.isna().all()], axis=1)
  

• 处理非数值型列：如果是分类特征，用独热编码（pd.get_dummies()）或者标签编码转换为数值；如果是无关的文本列，直接删除即可。
• 换用更鲁棒的填充方式：对于有部分NaN的列，用中位数（df.fillna(df.median())）代替均值，避免极端值干扰；或者用sklearn.impute.KNNImputer基于邻近样本填充，比简单的统计量更准确。

第二步：特征筛选/降维减少特征数量 #

2300+特征里肯定有大量冗余或无关特征，先过滤掉一部分能大幅降低后续处理难度：

• 方差过滤：去掉方差接近0的列（这类列几乎没有波动，对模型没用）：

  from sklearn.feature_selection import VarianceThreshold
  selector = VarianceThreshold(threshold=1e-5)
  X_filtered = selector.fit_transform(df_clean.drop(['target'], axis=1))
  # 转换回DataFrame方便后续处理
  X_filtered_df = pd.DataFrame(X_filtered, columns=df_clean.drop(['target'], axis=1).columns[selector.get_support()])
  

• 基于树模型的特征重要性筛选：用随机森林计算特征重要性，保留top N个或重要性超过阈值的特征：

  from sklearn.ensemble import RandomForestClassifier
  # 先拆分训练集测试集（注意要在特征筛选前拆分，避免数据泄露）
  X_train, X_test, y_train, y_test = train_test_split(df_clean.drop(['target'], axis=1), df_clean.target, test_size=0.3, random_state=0)
  
  rf = RandomForestClassifier(random_state=0)
  rf.fit(X_train, y_train)
  # 获取特征重要性并排序
  importances = pd.Series(rf.feature_importances_, index=X_train.columns).sort_values(ascending=False)
  # 保留重要性大于1e-4的特征（阈值可以根据实际情况调整）
  top_features = importances[importances > 1e-4].index
  X_selected_train = X_train[top_features]
  X_selected_test = X_test[top_features]
  

• PCA降维：如果特征冗余度很高，可以用PCA将特征压缩到更低维度（比如200维），不过降维后特征的解释性会变差：

  from sklearn.decomposition import PCA
  pca = PCA(n_components=200, random_state=0)
  X_pca_train = pca.fit_transform(X_train)
  X_pca_test = pca.transform(X_test)
  

最后一步：验证数据 #

处理完数据后，一定要再次执行以下代码确认数据干净：

print(X_processed.isna().any().any())  # 应该输出False
print(np.isinf(X_processed).any().any())  # 应该输出False

确认没问题后再用ADASYN进行过采样就不会报错啦！

内容的提问来源于stack exchange，提问作者ozzboy