Keras Sequential模型训练loss、val_loss及预测结果均为NaN问题排查

问题根本原因 #

模型训练、预测全输出NaN的核心诱因是训练数据集的目标列存在未被清理的空值：
代码执行顺序错误，先运行datas.dropna(inplace=True)清理全表空值，后运行datas['target'] = datas['close'].shift(-4)生成目标列，shift(-4)操作会将数据集最后4行的target值自动置为NaN，后续没有再次做空值清理，NaN值传入模型后直接导致训练流程失效。

修复方案 #

• 调整代码执行顺序，先生成目标列，再做全局空值清理，示例代码如下：

# 1. 先生成移位目标列
datas['target'] = datas['close'].shift(-4)
# 2. 再统一清理全表所有空值，包含target列最后4行的NaN
datas.dropna(inplace=True)

• 空值清理后增加校验步骤，确认数据集无空值后再传入模型：

# 校验全表是否存在空值，返回True则符合训练要求
print(datas.isna().any().any() == False)

• 若不需要全表清理空值，也可单独删除target列为空的行，最大化保留训练数据：

datas = datas[datas['target'].notna()]

内容的提问来源于stack exchange，提问作者Björn