Question

我正在尝试对我的数据集运行交叉验证。数据似乎很干净，但是当我尝试运行它时，我的一些数据被NaN取代。我不知道为什么。有没有人见过这个？

y, X = np.ravel(df_test['labels']), df_test[['variation', 'length', 'tempo']]
X_train, X_test, y_train, y_test = cv.train_test_split(X,y,test_size=.30, random_state=4444)

这是我在KFolds之前看到的X数据： variation length tempo 0 0.005144 1183.148118 135.999178 1 0.002595 720.165442 117.453835 2 0.008146 397.500952 112.347147 3 0.005367 1109.819501 172.265625 4 0.001631 509.931973 135.999178 5 0.001620 560.365714 151.999081 6 0.002513 763.377778 107.666016 7 0.009262 502.083628 99.384014 8 0.000610 500.017052 143.554688 9 0.000733 269.001723 117.453835

我的Y数据如下所示： array([ True, False, False, True, True, True, True, False, True, False], dtype=bool)

现在当我尝试做十字架时：

kf = KFold(X_train.shape[0], n_folds=4, shuffle=True)

for train_index, val_index in kf:
    cv_train_x = X_train.ix[train_index]
    cv_val_x = X_train.ix[val_index]
    cv_train_y = y_train[train_index]
    cv_val_y = y_train[val_index]
    print cv_train_x

    logreg = LogisticRegression(C = .01)
    logreg.fit(cv_train_x, cv_train_y)
    pred = logreg.predict(cv_val_x)
    print accuracy_score(cv_val_y, pred)

当我尝试运行此命令时，出现以下错误时出错，因此我添加了print语句 ValueError: Input contains NaN, infinity or a value too large for dtype('float64').

在我的印刷声明中，这是它打印的内容，一些数据变成了NaN。 variation length tempo 0 NaN NaN NaN 1 NaN NaN NaN 2 0.008146 397.500952 112.347147 3 0.005367 1109.819501 172.265625 4 0.001631 509.931973 135.999178

我确定我做错了什么，有什么想法吗？一如既往，非常感谢你！

Answer 1

要解决使用.iloc而非.ix索引您的pandas数据框

for train_index, val_index in kf:
    cv_train_x = X_train.iloc[train_index]
    cv_val_x = X_train.iloc[val_index]
    cv_train_y = y_train[train_index]
    cv_val_y = y_train[val_index]
    print cv_train_x

    logreg = LogisticRegression(C = .01)
    logreg.fit(cv_train_x, cv_train_y)
    pred = logreg.predict(cv_val_x)
    print accuracy_score(cv_val_y, pred)

使用ix建立索引通常相当于使用基于标签索引的.loc，而不是基于索引。虽然.loc适用于X，它有一个很好的基于整数的索引/标记，但在cv拆分之后，这个规则不再存在，你会得到类似的结果：

        length       tempo  variation
4   509.931973  135.999178   0.001631
2   397.500952  112.347147   0.008146
7   502.083628   99.384014   0.009262
6   763.377778  107.666016   0.002513
5   560.365714  151.999081   0.001620
3  1109.819501  172.265625   0.005367
9   269.001723  117.453835   0.000733

现在你不再拥有标签0或1，所以如果你这样做

X_train.loc[1]

你会得到一个例外

KeyError: 'the label [1] is not in the [index]'

但是，如果您请求多个标签，其中至少存在一个，则pandas会出现无提示错误。因此，如果你这样做

 X_train.loc[[1,4]]

你会得到

       length       tempo  variation
1         NaN         NaN        NaN
4  509.931973  135.999178   0.001631

正如预期的那样 - 1返回NaN（因为未找到），4表示实际行 - 因为它在X_train中。为了解决这个问题 - 只需切换到.iloc或手动重建X_train的索引。

NaNs突然出现在sklearn KFolds身上

1 个答案: