使用Isolation Forest做异常检测输出大量NaN，如何定位问题诱因？

问题原因排查 #

• 最高概率：DataFrame与预测结果的索引不匹配
  你代码中clf.predict(data)返回的是顺序对齐的numpy数组，转成pd.Series()时默认生成从0开始的连续整数索引，如果原始传入的df的索引不是连续0开头的整数（比如做过行过滤、使用自定义索引、索引存在断层），赋值给df1["iforest"]时会按索引对齐，匹配不上的位置就会被填充为NaN。
  解决方式：直接赋值numpy数组，不需要转Series，改为df1["iforest"] = clf.predict(data)即可，numpy数组赋值按位置对齐，不受索引影响。
• 次高概率：输入特征存在非法值
  检查df1中是否存在缺失值、无穷大/无穷小值：
  执行print(df1.isna().sum())查看是否有缺失值，执行print(np.isinf(df1.values).sum())查看是否有无穷值。sklearn的Isolation Forest在处理包含非法值的输入时，部分版本不会直接抛出异常，会输出NaN作为预测结果。如果存在非法值，先做填充、截断处理后再输入模型。
• 模型配置本身不会直接产生NaN
  你当前设置的contamination=0.01、n_estimators=10属于合法参数范围，不会直接导致输出NaN。只有当输入特征全部为恒定值，树模型无法完成分裂时，才有可能出现预测异常，这种情况可以先检查df1.nunique()的结果，确认每个特征都有至少2种不同取值。

快速验证方法 #

先打印原生预测结果print(clf.predict(data))，如果输出的numpy数组本身就包含NaN，说明是输入数据或训练环节的问题；如果输出全是1和-1，就可以100%确定是索引对齐导致的问题。

内容的提问来源于stack exchange，提问作者Jeffrey Ran Zhang