scikit-learn を使うと

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

というエラーに遭遇して、データのどこにエラーがあるか追及するのに苦労すること、ありませんか？（あるある）

問題設定

pandas で次のようなデータを用いるとします。

X.shape, Y.shape

((1318, 400), (1318,))

普通にscikit-learnを使うと、次のようなエラーが出るとします。

from sklearn.ensemble import RandomForestRegressor

model = RandomForestRegressor()
model.fit(X, Y)

---------------------------------------------------------------------------

ValueError                                Traceback (most recent call last)

<ipython-input-9-55fca59c1791> in <module>()
      2 
      3 model = RandomForestRegressor()
----> 4 model.fit(X, Y)


/usr/local/lib/python3.7/dist-packages/sklearn/ensemble/_forest.py in fit(self, X, y, sample_weight)
    293         """
    294         # Validate or convert input data
--> 295         X = check_array(X, accept_sparse="csc", dtype=DTYPE)
    296         y = check_array(y, accept_sparse='csc', ensure_2d=False, dtype=None)
    297         if sample_weight is not None:


/usr/local/lib/python3.7/dist-packages/sklearn/utils/validation.py in check_array(array, accept_sparse, accept_large_sparse, dtype, order, copy, force_all_finite, ensure_2d, allow_nd, ensure_min_samples, ensure_min_features, warn_on_dtype, estimator)
    576         if force_all_finite:
    577             _assert_all_finite(array,
--> 578                                allow_nan=force_all_finite == 'allow-nan')
    579 
    580     if ensure_min_samples > 0:


/usr/local/lib/python3.7/dist-packages/sklearn/utils/validation.py in _assert_all_finite(X, allow_nan, msg_dtype)
     58                     msg_err.format
     59                     (type_err,
---> 60                      msg_dtype if msg_dtype is not None else X.dtype)
     61             )
     62     # for object dtype data, we only check for NaNs (GH-13254)


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

解決方法

１列ずつ取り出して学習して、エラーを起こさない列だけ集めます。

success_col = []
for i in range(X.shape[1]):
    try:
        model = RandomForestRegressor()
        model.fit(X.iloc[:, [i]], Y)
        success_col.append(i)
    except:
        continue

エラーを起こさなかった列だけを抜き出します。

X = X.iloc[:, success_col]

列の数が減りましたね。

X.shape

(1318, 392)

今度は学習できるはずです。

from sklearn.ensemble import RandomForestRegressor

model = RandomForestRegressor()
model.fit(X, Y)
model.score(X, Y)

0.897965478410951

なんなら、予測スコアがある程度高い列だけ抜き出したら効率的かも。

success_col = []
for i in range(X.shape[1]):
    try:
        model = RandomForestRegressor()
        model.fit(X.iloc[:, [i]], Y)
        if model.score(X.iloc[:, [i]], Y) > 0.1:
            success_col.append(i)
    except:
        continue

X = X.iloc[:, success_col]

X.shape

(1318, 272)

from sklearn.ensemble import RandomForestRegressor

model = RandomForestRegressor()
model.fit(X, Y)
model.score(X, Y)

0.8996226954522588

完。