Sklearn中T-SNE报含NaN或Inf数据错误的排查求助

这种情况确实很让人头疼——明明已经确认过数据里没有NaN和Inf，结果TSNE还是抛出了这个错误。结合你的代码和场景，我来分析下可能的原因和对应的解决办法：

可能的诱因 #

1. 浮点数精度的隐性问题：你用np.isnan检查了NaN，但没排查Inf；或者存在一些接近浮点数溢出边界的极小/极大值，在TSNE内部的计算（比如距离计算、梯度更新）中被转化成了Inf/NaN。TruncatedSVD输出的float类型数据，可能存在这类精度隐患。
2. 数据尺度不匹配：TSNE对数据的尺度非常敏感，SVD降维后的特征数值范围可能波动很大，没有做标准化的话，容易触发计算中的数值异常。
3. 旧版本库的bug：你用的是Python3.5和较老的sklearn/scipy版本，这些版本的TSNE模块可能存在已知的数值稳定性问题，在特定数据分布下会出现中间计算溢出。

具体解决方法 #

1. 先对SVD降维后的数据做标准化/归一化 #

这是最常见也最有效的解决手段，把数据缩放到合适的尺度后，TSNE的计算会更稳定：

from sklearn.preprocessing import StandardScaler

# 标准化数据，让每个特征均值为0，方差为1
scaler = StandardScaler()
svd_scaled = scaler.fit_transform(svd_reduced_data)

# 再传入TSNE处理
tsne = TSNE(n_components=2, n_iter=300, random_state=42)
tsne_result = tsne.fit_transform(svd_scaled)

如果标准化效果不好，也可以试试MinMaxScaler把数据缩放到[0,1]区间：

from sklearn.preprocessing import MinMaxScaler

scaler = MinMaxScaler()
svd_scaled = scaler.fit_transform(svd_reduced_data)

2. 排查并处理极端值 #

先看看数据里有没有接近浮点数边界的数值：

print("数据最小值:", svd_reduced_data.min())
print("数据最大值:", svd_reduced_data.max())

如果存在极大/极小值，用np.clip做截断处理：

# 把数值限制在[-1e10, 1e10]范围内，避免溢出
svd_clipped = np.clip(svd_reduced_data, -1e10, 1e10)

3. 升级相关库版本（如果环境允许） #

Python3.5已经停止维护了，对应的sklearn/scipy版本也比较旧，升级到较新的版本（比如sklearn 0.24+）可以修复很多数值计算上的bug。如果你的项目可以兼容，这是从根源解决问题的办法。

4. 调整TSNE的参数 #

尝试调整perplexity（默认30）或者增加n_iter的次数，有时候参数不合适也会引发计算异常：

# 调整perplexity并增加迭代次数
tsne = TSNE(n_components=2, n_iter=1000, perplexity=50, random_state=42)
tsne_result = tsne.fit_transform(svd_reduced_data)

验证步骤 #

处理完数据后，记得再检查一遍：

print("NaN数量:", np.isnan(svd_scaled).sum())
print("Inf数量:", np.isinf(svd_scaled).sum())

内容的提问来源于stack exchange，提问作者Baktaawar