如何处理双精度浮点数超范围问题？适配TensorFlow数据集转换

要修正DataFrame中超出double精度范围的值，避免转换TensorFlow数据集时的报错，可以按照以下步骤处理：

1. 明确double精度的有效范围 #

先获取numpy定义的double（float64）类型的最大、最小值，这是TensorFlow能接受的有效范围：

import numpy as np
import pandas as pd
import tensorflow as tf

double_max = np.finfo(np.float64).max
double_min = np.finfo(np.float64).min

2. 修正超范围值 #

方法一：直接截断到有效范围 #

用pandas的clip方法，把所有超出范围的值强制截断到double的最大/最小值：

# 对DataFrame所有列进行范围截断
test_data_x = test_data_x.clip(lower=double_min, upper=double_max)

方法二：处理无穷值（inf） #

如果数据里存在inf或-inf（这也是常见的超范围情况），先替换为double的极值，再截断：

# 替换无穷值为对应极值
test_data_x = test_data_x.replace([np.inf, -np.inf], [double_max, double_min])
# 再截断其他可能的超范围值
test_data_x = test_data_x.clip(lower=double_min, upper=double_max)

方法三：处理缺失值（可选） #

如果数据里有NaN，也需要提前处理（TensorFlow同样无法直接转换），可以用均值、中位数或固定值填充：

# 用列均值填充NaN
test_data_x = test_data_x.fillna(test_data_x.mean())

3. 转换为TensorFlow数据集 #

完成数据修正后，再执行你原来的转换代码即可：

test_data_x = test_data_x.astype(float)
test_dataset_x = tf.data.Dataset.from_tensor_slices(test_data_x.to_dict(orient="list"))

这样处理后，所有值都会被限制在double精度的有效范围内，就能顺利转换为TensorFlow数据集了。

内容的提问来源于stack exchange，提问作者user14009897