SimpleImputer处理含np.nan与np.inf数据报错，求解决方案

这个报错的核心原因很明确：SimpleImputer默认只会将np.nan识别为需要填充的缺失值，而你的数据里存在的np.inf（正无穷）或-np.inf（负无穷）不在它的处理范围内，导致拟合转换时触发了数值类型错误。

下面给你两种靠谱的解决办法，按需选择：

方法一：先转换inf为nan，再用SimpleImputer处理 #

如果你需要配合后续的scikit-learn流程，必须用SimpleImputer，可以先把所有无穷值转换成np.nan，再统一填充：

import numpy as np
import pandas as pd
from sklearn.impute import SimpleImputer

# 第一步：把所有inf和-inf替换成nan
data_fe = data_fe.replace([np.inf, -np.inf], np.nan)

# 第二步：用SimpleImputer填充nan为0
imputer = SimpleImputer(missing_values=np.nan, strategy='constant', fill_value=0)
features_to_impute = data_fe.columns.tolist()
# 重置列名和索引，避免转换后数据结构混乱
data_fe[features_to_impute] = pd.DataFrame(
    imputer.fit_transform(data_fe[features_to_impute]),
    columns=features_to_impute,
    index=data_fe.index
)

方法二：用Pandas直接一步到位（更简洁高效） #

如果你的流程不需要依赖sklearn的Imputer，用Pandas原生方法会更简单，能一次性处理np.nan、np.inf和-np.inf：

import numpy as np
import pandas as pd

# 方案A：先替换inf为nan，再统一填充0
data_fe = data_fe.replace([np.inf, -np.inf], np.nan).fillna(0)

# 方案B：直接用replace一次性替换所有目标值
data_fe = data_fe.replace([np.nan, np.inf, -np.inf], 0)

小提示 #

如果你使用的是scikit-learn 0.23及以上版本，也可以尝试直接指定missing_values参数为元组，让SimpleImputer同时识别nan和inf：

imputer = SimpleImputer(missing_values=(np.nan, np.inf, -np.inf), strategy='constant', fill_value=0)

不过这个方法在旧版本scikit-learn中可能不支持，所以先转换inf为nan或者用Pandas方法会更稳妥。

内容的提问来源于stack exchange，提问作者Maths12