已解决 ValueError: Input contains NaN, infinity or a value too large for dtype(‘float64‘).问题

博主猫头虎（）带您 Go to New World✨

---

博客首页:

• 猫头虎的博客
• 《面试题大全专栏》 文章图文并茂生动形象简单易学！欢迎大家来踩踩~
• 《IDEA开发秘籍专栏》 学会IDEA常用操作，工作效率翻倍~
• 《100天精通Golang(基础入门篇）》 学会Golang语言，畅玩云原生，走遍大小厂~

---

希望本文能够给您带来一定的帮助文章粗浅，敬请批评指正！

已解决 ValueError: Input contains NaN, infinity or a value too large for dtype(‘float64’).

摘要

在人工智能领域，处理数据是我们日常工作的重要组成部分。然而，在处理实际数据时，我们经常会遇到一些预料之外的问题。本文由猫头虎博主带您深入探讨一个常见的错误——ValueError: Input contains NaN, infinity or a value too large for dtype('float64')。通过分析错误的根源，提供解决方案，并分享预防此类错误的最佳实践，希望能为您在人工智能的探索道路上提供一点帮助。

引言

在机器学习和数据处理的过程中，我们时常会遇到各种各样的错误和异常。其中一个常见的错误是 ValueError: Input contains NaN, infinity or a value too large for dtype('float64')。这个错误通常出现在尝试将包含非法值（如 NaN 或无穷大）的数据传递给需要执行数学运算的函数或模型时。通过理解这个错误的根源，我们可以更好地避免它，并确保我们的数据处理和机器学习模型能够顺利运行。

正文

1. Bug的原因

错误 ValueError: Input contains NaN, infinity or a value too large for dtype('float64') 的根源通常是输入数据中存在无法被 float64 类型所容纳的值，例如 NaN (Not a Number)，无穷大或过大的浮点数。这些值在数学运算中通常是不被允许的，因为它们会导致未定义的结果。

1.1 NaN值

NaN 是一个标准的 IEEE 浮点数表示，代表一个未定义的数值。在Python中，我们可以通过 numpy 或 pandas 模块来创建和检测 NaN 值。

import numpy as np
import pandas as pd

# 创建 NaN 值
nan_value = np.nan

# 检测 NaN 值
is_nan = pd.isna(nan_value)  # 返回 True

1.2 无穷值

无穷值是另一个可能导致此错误的原因。在Python中，无穷值可以通过 float('inf') 或 float('-inf') 来创建。

# 创建无穷值
inf_value = float('inf')
negative_inf_value = float('-inf')

1.3 过大的浮点数

float64 类型能够表示的最大值是 (1.8 \times 10^{308})。超过这个值的浮点数将会导致错误。

# 创建过大的浮点数
large_float = 1.8e309

2. 解决方法

解决这个错误的主要方法是清理或转换输入数据，以确保它不包含任何 NaN、无穷大或过大的浮点数。

2.1 处理NaN值

对于NaN值，我们可以选择填充它们或者直接删除包含NaN值的行或列。

import pandas as pd

# 假设 df 是一个包含 NaN 值的 DataFrame
df = pd.DataFrame({'A': [1, 2, np.nan, 4]})

# 填充 NaN 值
df_filled = df.fillna(0)

# 删除包含 NaN 值的行
df_dropped = df.dropna()

2.2 处理无穷值

处理无穷值的方法类似于处理NaN值，我们可以选择替换它们或删除包含它们的行或列。

# 替换无穷值
df.replace([np.inf, -np.inf], np.nan, inplace=True)

2.3 处理过大的浮点数

对于过大的浮点数，我们可以选择将它们缩放到一个更小的范围，或者将它们替换为一个特定的值。

# 使用np.clip将过大的浮点数限制在一个范围内
df_clipped = df.clip(upper=1.8e308)

3. 如何避免

为了避免此类错误，我们应该在数据预处理阶段就对数据进行仔细检查，并应用适当的清理或转换技术。同时，确保我们的数据输入符合函数或模型的要求也是非常重要的。

总结

本文深入探讨了 ValueError: Input contains NaN, infinity or a value too large for dtype('float64') 错误的原因和解决方法，并提供了如何避免此类错误的建议。通过对输入数据进行适当的清理和转换，我们可以确保我们的机器学习模型能够顺利运行，从而避免浪费时间和资源来解决此类错误。

参考资料

1. Pandas Documentation - Working with missing data
2. NumPy Documentation - Handling data

请不吝赞赏，您的支持是我创作的最大动力！

---

以上博客内容仅为个人观点，如有错误，欢迎指正。同时，如果您有任何问题或想法，也可以在评论区留言讨论。感谢您的阅读！

猫头虎建议程序员必备技术栈一览表：

人工智能 AI:

1. 编程语言:
   • Python (目前最受欢迎的AI开发语言)
   • R (主要用于统计和数据分析)
   • Julia (逐渐受到关注的高性能科学计算语言)
2. 深度学习框架:
   • TensorFlow (和其高级API Keras)
   • ⚡ PyTorch (和其高级API torch.nn)
   • ️ MXNet
   • Caffe
   • ⚙️ Theano (已经不再维护，但历史影响力很大)
3. 机器学习库:
   • scikit-learn (用于传统机器学习算法)
   • XGBoost, LightGBM (用于决策树和集成学习)
   • Statsmodels (用于统计模型)
4. 自然语言处理:
   • NLTK
   • SpaCy
   • HuggingFace’s Transformers (用于现代NLP模型，例如BERT和GPT)
5. 计算机视觉:
   • OpenCV
   • ️ Pillow
6. 强化学习:
   • OpenAI’s Gym
   • ⚡ Ray’s Rllib
   • Stable Baselines
7. 神经网络可视化和解释性工具:
   • TensorBoard (用于TensorFlow)
   • Netron (用于模型结构可视化)
8. 数据处理和科学计算:
   • Pandas (数据处理)
   • NumPy, SciPy (科学计算)
   • ️ Matplotlib, Seaborn (数据可视化)
9. 并行和分布式计算:
   • Apache Spark (用于大数据处理)
   • Dask (用于并行计算)
10. GPU加速工具:

• CUDA
• ⚙️ cuDNN

11. 云服务和平台:

• ☁️ AWS SageMaker
• Google Cloud AI Platform
• ⚡ Microsoft Azure Machine Learning

12. 模型部署和生产化:

• Docker
• ☸️ Kubernetes
• TensorFlow Serving
• ⚙️ ONNX (用于模型交换)

13. 自动机器学习 (AutoML):

• H2O.ai
• ⚙️ Google Cloud AutoML
• Auto-sklearn

---

原创声明

======= ·

• 原创作者： 猫头虎
• 编辑 ： AIMeowTiger

作者wx： [ libin9iOak ]
公众号：猫头虎技术团队

学习	复习
✔	✔

---

本文为原创文章，版权归作者所有。未经许可，禁止转载、复制或引用。

作者保证信息真实可靠，但不对准确性和完整性承担责任。

未经许可，禁止商业用途。

如有疑问或建议，请联系作者。

感谢您的支持与尊重。

点击下方名片，加入IT技术核心学习团队。一起探索科技的未来，共同成长。