Python、SciKit-Learn：含缺失值(NaN)时如何使用predict_proba()

没问题，我来帮你理清这两个核心问题：

1. 完全可以保留NaN位置，实现后续正确绘图 #

逻辑回归（以及绝大多数scikit-learn的机器学习模型）确实不能直接处理含NaN的数据，但我们可以通过**"先提取有效数据，再映射回原始结构"**的方式，完美保留陆地区域的NaN标记，步骤如下：

• 第一步：先创建一个掩码（mask），标记出原始数据中所有非NaN的海洋区域（也就是有有效数据的位置）
• 第二步：用掩码提取出所有有效特征和标签，训练你的逻辑回归模型，再用模型对这些有效样本做predict_proba预测
• 第三步：创建一个和原始数据集形状完全一致的空数组，先全部填充NaN，再把预测得到的概率值按照掩码标记的位置填回去

这样得到的结果数组里，陆地区域还是原来的NaN，海洋区域是模型预测的概率，后续直接用这个数组绘图就完全没问题了。

2. 关于predict_proba的工作原理 #

你可能的误解点在于：predict_proba不能处理含NaN的输入。它的核心作用是，针对每个输入的有效样本，输出该样本属于每个类别的概率值（比如二分类任务会输出(n_samples, 2)的数组，每一行的两个值分别对应类别0和类别1的概率，总和为1）。

模型训练时用的是清理后的无NaN数据，所以预测时也必须输入同样格式的无NaN样本，否则会直接报错。这也是为什么我们需要先提取有效数据再预测，最后再映射回原始结构的原因。

举个简单的代码示例（基于numpy） #

import numpy as np
from sklearn.linear_model import LogisticRegression

# 模拟NetCDF格式的海洋数据：100x100网格，3个特征
X_raw = np.random.rand(100, 100, 3)
# 模拟陆地区域：设置一块区域为NaN
X_raw[20:40, 20:40] = np.nan
# 模拟对应标签，陆地区域也设为NaN
y_raw = np.random.randint(0, 2, (100, 100))
y_raw[np.isnan(X_raw).any(axis=-1)] = np.nan

# 1. 创建掩码，筛选有效海洋数据
valid_mask = ~np.isnan(X_raw).any(axis=-1)
# 提取扁平化的有效特征和标签
X_valid = X_raw[valid_mask].reshape(-1, 3)
y_valid = y_raw[valid_mask].flatten()

# 2. 训练模型并预测概率
model = LogisticRegression()
model.fit(X_valid, y_valid)
probs_valid = model.predict_proba(X_valid)

# 3. 重建带NaN的结果数组
probs_full = np.full((100, 100, 2), np.nan)
probs_full[valid_mask] = probs_valid

# 现在probs_full就是保留了陆地NaN的预测结果，直接用于绘图即可

额外提示 #

如果你用xarray处理NetCDF数据会更便捷，xarray的DataArray自带坐标信息，用xarray.where就能轻松实现掩码和结果映射，不需要手动处理索引位置。

内容的提问来源于stack exchange，提问作者Muon