使用OneHotEncoder编码分类列时报Input contains NaN的解决方案是什么？

问题根因 #

两个环境运行结果不一致的核心原因分为两类：

• scikit-learn版本差异：Colab默认预装的scikit-learn版本≥1.1.0，该版本新增了allow_nan参数支持分类列的缺失值自动编码，即使不显式配置也不会触发Input contains NaN报错；而本地Jupyter环境的scikit-learn版本通常低于1.0.0，未适配缺失值处理逻辑，handle_unknown='ignore'参数仅用于处理训练集未出现的分类值，不会处理NaN，因此触发报错。
• 数据集读取差异：相同数据源在两个环境的读取规则不同，例如本地读取csv时会将空值、空字符串统一识别为NaN，而Colab部分读取逻辑会将空字符串识别为独立分类值，导致Jupyter环境下的inputs_df[categorical_cols]实际存在缺失值，Colab对应数据集无缺失值。

解决方案 #

方案1：对齐scikit-learn版本 #

升级本地Jupyter环境的scikit-learn包至最新版本，显式配置allow_nan参数：

1. 执行升级命令：
   pip install --upgrade scikit-learn
2. 修改编码器初始化代码：

encoder = OneHotEncoder(sparse=False, handle_unknown='ignore', allow_nan=True).fit(inputs_df[categorical_cols])
encoded_cols = list(encoder.get_feature_names(categorical_cols))
inputs_df[encoded_cols] = encoder.transform(inputs_df[categorical_cols])

方案2：提前填充缺失值 #

无需升级依赖，提前将分类列的NaN替换为独立占位符，避免触发报错：

# 填充所有分类列的缺失值
inputs_df[categorical_cols] = inputs_df[categorical_cols].fillna('Missing')
# 原有逻辑保持不变
encoder = OneHotEncoder(sparse=False,handle_unknown='ignore').fit(inputs_df[categorical_cols])
encoded_cols = list(encoder.get_feature_names(categorical_cols))
inputs_df[encoded_cols] = encoder.transform(inputs_df[categorical_cols])

方案3：校验数据集一致性 #

运行以下代码确认两个环境的数据集缺失值情况是否一致：

print(inputs_df[categorical_cols].isna().sum())

如果Jupyter环境输出的缺失值统计大于0，优先执行缺失值填充即可解决问题。

内容的提问来源于stack exchange，提问作者Samuel David Egwu