💓 博客主页：瑕疵的CSDN主页
📝 Gitee主页：瑕疵的gitee主页
⏩ 文章专栏：《热点资讯》
被 OneHotEncoder 的 NaN 坑到凌晨三点，终于搞定了
目录
昨晚写特征工程，OneHotEncoder 突然炸了。报错信息刺眼得像深夜的键盘声：ValueError: Input contains NaN, infinity or a value too large for dtype('float64')
我盯着屏幕看了半小时，才反应过来：它根本不吃 NaN！
数据里有缺失值（比如空字符串或np.nan），直接塞给 OneHotEncoder 就崩。
核心根源：
scikit-learn 的 OneHotEncoder 设计时就默认输入必须是干净的数值。它不处理缺失值，也不认 NaN。你得先清理数据，它才肯干活。
错误示范（我踩过坑）：
fromsklearn.preprocessingimportOneHotEncoder# 假设 df['country'] 有 NaN 值enc=OneHotEncoder()X=df[['country']]# 有缺失值的列X_encoded=enc.fit_transform(X)# 报错！直接崩为啥崩？因为 OneHotEncoder 会检查输入，发现 NaN 就直接抛异常。它不负责填缺失，你得先处理。
正确姿势（直接上代码）：
fromsklearn.composeimportColumnTransformerfromsklearn.pipelineimportPipelinefromsklearn.imputeimportSimpleImputerfromsklearn.preprocessingimportOneHotEncoder# 关键：用 SimpleImputer 先填充缺失，再编码preprocessor=ColumnTransformer(transformers=[('cat',Pipeline(steps=[('imputer',SimpleImputer(strategy='most_frequent')),# 用最常见值填充缺失（比如填"Unknown"）('onehot',OneHotEncoder(handle_unknown='ignore'))# 处理未知类别，避免额外报错]),['country'])# 要处理的列名])# 一次性搞定：填充缺失 + 编码X_transformed=preprocessor.fit_transform(df)为什么这样写？
SimpleImputer(strategy='most_frequent')：把缺失值替换成该列最常出现的值（比如"China"填了 50 次，就用它）。handle_unknown='ignore'：避免新类别（比如测试集有"Japan"但训练集没出现）导致崩溃。ColumnTransformer：把缺失值处理和编码打包成流水线，省得手动分步。
（图：数据输入 → 缺失值填充 → OneHot编码 → 输出特征）
避坑总结：
- 别跳过缺失值处理：OneHotEncoder 不会自动填 NaN，你得先喂它干净数据。
- 用 Pipeline 统一处理：别分开写 imputer 和 encoder，容易漏步骤。
handle_unknown别忘：测试集有新类别时，这个参数能救命。- 验证数据：
df.isnull().sum()先跑一遍，别让 NaN 悄悄混进来。
我昨天就是死磕了 2 小时，以为是 OneHotEncoder 的 bug。结果发现是自己忘了数据清洗。
现在写代码，先加一行df.fillna('Missing', inplace=True)，再套编码器——省下半夜摸鱼的时间。
记住：数据脏了，再牛的模型也得跪。
