Python 在拟合保持NaN值不变的决策树分类器时出现值错误

我试图在两列中缺少值的数据上拟合DT分类器。由于DT处理缺失值，因此我希望在不输入任何值的情况下测试模型，即将缺失值保留为NaN。但是当我运行模型时，我得到了值错误

ValueError: Input contains NaN, infinity or a value too large for dtype('float32')

我尝试了以下代码：

train_data = pd.read_csv('./train.csv')

#converting -999 to NAN
train_data.x14[train_data.x14==-999]=np.NaN
train_data.x15[train_data.x15==-999]=np.NaN

train_data = train_data.reset_index()

#defining x and y
x = train_data.iloc[:,1:18]
y = train_data.iloc[:,-1]
print("Sample x data\n", x.head(n=5))
print("Sample y data\n", y.head(n=5))

X_train,X_test,Y_train,Y_test = train_test_split(x, y, test_size=0.30, random_state=0)
X_train = X_train.values
Y_train = Y_train.values

model = DecisionTreeClassifier(max_depth=10, 
                               min_samples_split=5,
                                       random_state=520)
                                       # class_weight='balanced')
model.fit(X_train, Y_train)

---

保持

NaN

完好无损的唯一方法是在将数据提供给分类器之前删除它们

x = train_data.dropna().iloc[:,1:18]
y = train_data.dropna().iloc[:,-1]

您的训练数据（

x

和

y

）将不包含

NaN

（您别无选择），但至少您的

DataFrame

及其缺少的值将保持完整（无论出于何种原因）

请参阅：