sklearn.feature_selection.VarianceThreshold 方差过滤踩过的坑

报错信息：

Input contains NaN, infinity or a value too large for dtype('float64').

Input X must be non-negative.

输入值中包含空值，无穷值或超出dtype('float64')的范围！

输入值必须为正数。

源代码解析：

>>> X = array([[ 0.,  0.,  0., ..., nan, nan, nan],
          [ 1.,  0.,  1., ..., nan, nan, nan],
          [ 0.,  0.,  0., ...,  1.,  0.,  0.],
          ...,
          [ 0.,  0.,  0., ...,  1.,  0.,  0.],
          [ 0.,  0.,  0., ...,  1.,  0.,  1.],
          [ 0.,  0.,  0., ...,  1.,  0.,  0.]])

>>> from sklearn.feature_selection import VarianceThreshold
>>> selector = VarianceThreshold()  #实例化，不填参数默认方差为0 
>>> x_var = selector.fit_transform(X)

>>> x_fillna = pd.DataFrame(x_var).fillna(2)

>>> score = []
>>> for i in range(1400,499,-10):
...     X_chi = SelectKBest(chi2, k=i).fit_transform(x_fillna, y)
...     once = cross_val_score(RFC(n_estimators=10,random_state=0),X_chi,y,cv=5).mean()
...     score.append(once)
...     print((i,once))
>>> plt.plot(range(1400,499,-10),score)
>>> plt.show()

ValueError: Input contains NaN, infinity or a value too large for dtype('float64').

报错显示“输入值中包含空值，无穷值或超出dtype('float64')的范围！”，但明明已经填充缺失值了。

问题排查：

# 检查是否包含缺失值
>>> any(x_fillna.isnull().any())
False 

#检查是否包含无穷数据
>>> any(np.isinf(x_fillna).all())
False

all(x)x元素都不为False、''、0或者x为空，则all(x)为True，也就是说只要x元素有一个为"假"，则all(x)为False。"全 ‘真’ 为True，有 ‘假’ 为False"。

any(x)x的任何元素都为False、0，''，或者x全为空，则any(x)为False，也就是说所有的x都为'假'，则any(x)为False。"全‘假’为False，有‘真’为True"。

np.isfinite(x).all()x 元素是否有限，全部为True 即为没有无限值。包含无限值为False，不包含无限值为True

np.isinf(x).all()x 元素是否无限，全部为True 即为都是无限值。包含有限值为False，不包含有限值为True

有网友踩过的坑：

解决方案：

若写出以下方式就会报错，因为此处只是输出x_fillna填充后的副本，原变量并未更改。

x_fillna = pd.DataFrame(x_var)
x_fillna.fillna(2)

正确写法，以下三个均可行：

x_fillna = pd.DataFrame(x_var).fillna(2)

x_fillna = pd.DataFrame(x_var)
x_fillna.fillna(-2,inplace=True)

x_fillna = pd.DataFrame(x_var)
x_fillna = x_fillna.fillna(2)

一个问题已解决，但另一个问题出现：Input X must be non-negative.

但我并没有踩这个坑，毕竟我这么聪明....

继续问题排查：

在做方差过滤时出现一个警告：

因为有输出，就没有留意...

# 方差过滤报错
>>> from sklearn.feature_selection import VarianceThreshold
>>> selector = VarianceThreshold()  #实例化，不填参数默认方差为0 
>>> x_var = selector.fit_transform(X)
C:\Users\HP\anaconda3\lib\site-packages\sklearn\feature_selection\_variance_threshold.py:77: RuntimeWarning: Degrees of freedom <= 0 for slice.
  self.variances_ = np.nanvar(X, axis=0)
C:\Users\HP\anaconda3\lib\site-packages\numpy\core\fromnumeric.py:52: RuntimeWarning: invalid value encountered in reduce
  return getattr(obj, method)(*args, **kwds)
C:\Users\HP\anaconda3\lib\site-packages\sklearn\feature_selection\_variance_threshold.py:85: RuntimeWarning: All-NaN slice encountered
  self.variances_ = np.nanmin(compare_arr, axis=0)
C:\Users\HP\anaconda3\lib\site-packages\sklearn\feature_selection\_variance_threshold.py:88: RuntimeWarning: invalid value encountered in less_equal
  (self.variances_ <= self.threshold)):
C:\Users\HP\anaconda3\lib\site-packages\sklearn\feature_selection\_variance_threshold.py:99: RuntimeWarning: invalid value encountered in greater
  return self.variances_ > self.threshold

>>> np.all(X > 0)
False

>>> np.all(X_var > 0)
False

而且

>>> np.var(X_var)
nan

报错原因：原始数据csv文件中存在negative, NaN, inf.(负数、空值或者无穷数)

解决方案：

NaN --> 缺失值填补

X.fillna(0, inplace=True)

negative --> Max-Min 归一化： (一种线性变换方法，标准化后数据完全落入[0,1]区间，能够较好的保持原有数据结构)

from sklearn import preprocessing
minmax_scaler = preprocessing.MinMaxScaler()  # 建立模型对象
data_scale = minmax_scaler.fit_transform(data)  # 标准化处理

inf. --> 当作异常值处理

异常值处理方法	方法描述
删除含有异常值的记录	直接将含有异常值的记录删除
视为缺失值	利用缺失值的方法进行处理
平均值修正	可用前后两个观测值的平均值修正该异常值
不处理	伪异常数据直接在有异常值的数据集上进行挖掘建模

另一种解决方案：

用python自带var()函数替代sklearn.feature_selection.VarianceThreshold:

x_col = X.columns[X.var() == 0]  # 提取方差为0的字段
x_var = X.loc[:,[i for i in X.columns if i not in x_col]] # 列表表达式过滤方差为0的字段
X_var = pd.DataFrame(x_var).fillna(2) # 用2填补缺失值

score = []
for i in range(1400,499,-10):
    X_chi = SelectKBest(chi2, k=i).fit_transform(x_fillna, y)
    once = cross_val_score(RFC(n_estimators=10,random_state=0),X_chi,y,cv=5).mean()
    score.append(once)
    print((i,once))
plt.plot(range(1400,499,-10),score)
plt.show()

结果是一样的，在需要知道删除了哪些变量时，运用var()比sklearn更加实用

问题解决！

-- 数据STUDIO --