使用eval解析XGBoost参数字符串报nan未定义NameError如何解决

eval()执行字符串解析逻辑时，会在当前运行上下文查找字符串里出现的所有标识符，你存储的参数字典串里missing对应的nan既不是Python关键字，也不是内置常量，当前作用域没有提前定义这个变量，就会抛出NameError: name 'nan' is not defined。

• 提前定义nan变量后再执行解析
  这是改动量最小的方案，XGBoost对空值的识别和Python原生浮点空值、NumPy的nan完全兼容，二选一即可：

  # 方案A 不依赖numpy
  nan = float('nan')
  
  # 方案B 用numpy的nan（XGBoost本身依赖numpy，环境中必然存在）
  # import numpy as np
  # nan = np.nan
  
  best_params="{'__init__': {'objective': 'reg:squarederror', 'max_depth': 5, 'learning_rate': 0.1, 'n_estimators': 5, 'verbosity': None, 'booster': 'gbtree', 'tree_method': 'exact', 'n_jobs': None, 'gamma': None, 'min_child_weight': None, 'max_delta_step': None, 'subsample': 0.8, 'colsample_bytree': 0.85, 'colsample_bylevel': None, 'colsample_bynode': None, 'reg_alpha': None, 'reg_lambda': None, 'scale_pos_weight': None, 'base_score': None, 'random_state': 123, 'missing': nan, 'num_parallel_tree': None, 'monotone_constraints': None, 'interaction_constraints': None, 'importance_type': 'gain', 'gpu_id': None, 'validate_parameters': None, 'predictor': None, 'enable_categorical': False, 'kwargs': None}}"
  final_params=eval(best_params)
  

• 字符串替换后再解析（规避额外变量定义）
  直接把字符串里裸写的nan替换成Python可直接解析的原生空值写法，不需要提前定义变量：

  best_params="{'__init__': {'objective': 'reg:squarederror', 'max_depth': 5, 'learning_rate': 0.1, 'n_estimators': 5, 'verbosity': None, 'booster': 'gbtree', 'tree_method': 'exact', 'n_jobs': None, 'gamma': None, 'min_child_weight': None, 'max_delta_step': None, 'subsample': 0.8, 'colsample_bytree': 0.85, 'colsample_bylevel': None, 'colsample_bynode': None, 'reg_alpha': None, 'reg_lambda': None, 'scale_pos_weight': None, 'base_score': None, 'random_state': 123, 'missing': nan, 'num_parallel_tree': None, 'monotone_constraints': None, 'interaction_constraints': None, 'importance_type': 'gain', 'gpu_id': None, 'validate_parameters': None, 'predictor': None, 'enable_categorical': False, 'kwargs': None}}"
  # 替换nan为可直接解析的浮点空值
  best_params = best_params.replace(': nan', ': float("nan")')
  final_params = eval(best_params)
  

注意：eval本身存在任意代码执行的安全风险，如果参数字符串来自不可信的外部输入，禁止直接用eval解析。

• 从根源规避字符串转字典的逻辑（长期推荐）
  做XGBoost网格搜索时，不需要把最优参数字典转成字符串存储再读入：
  • 如果用的是sklearn接口的GridSearchCV/RandomizedSearchCV，直接通过search.best_estimator_.get_params()就能拿到结构正常的参数字典，不存在标识符解析问题
  • 如果需要持久化存储参数，用json标准模块做序列化/反序列化，不要直接存字典的字符串表示。

内容的提问来源于stack exchange，提问作者NAS_2339