💓 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KMeans的NaN坑到凌晨三点，终于摸清了根儿

昨晚改代码改到眼冒金星，就为这个KMeans报错：

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

直接卡在kmeans.fit(X)这行，试了三遍数据集，每次都是这鬼报错。气得我摔了咖啡杯——数据明明是干净的啊？！

根源就一个字：NaN
Scikit-learn的KMeans对缺失值零容忍。我本地跑的CSV有几行空值，但肉眼没看出来（毕竟用Pandas看表时默认隐藏了NaN）。更坑的是，报错信息里连哪列有NaN都不说，纯纯的“黑箱报错”。

错误示范（我刚入行时写的）

fromsklearn.clusterimportKMeans# 直接用原始数据（含NaN）X=pd.read_csv("data.csv")# 有3列含NaNkmeans=KMeans(n_clusters=4)kmeans.fit(X)# 一跑就崩！

注释：天真以为数据是干净的，结果KMeans在底层检查时发现NaN，直接抛异常。别问，问就是血泪史。

正确姿势（现在秒级解决）

fromsklearn.imputeimportSimpleImputerfromsklearn.clusterimportKMeans# 先处理缺失值（关键步骤！）imputer=SimpleImputer(strategy='mean')# 用均值填充X_clean=imputer.fit_transform(X)# 返回numpy数组# 再聚类kmeans=KMeans(n_clusters=4,random_state=42)kmeans.fit(X_clean)

注释：

1. SimpleImputer是Scikit-learn自带的填充工具，strategy='mean'自动算列均值补缺
2. fit_transform直接返回处理后的数据（避免Pandas和numpy混用坑）
3. 加random_state防随机性，聚类结果可复现

避坑总结（血的教训）

1. 数据进KMeans前必做检查：
   print(X.isnull().sum().sum())# 直接看总缺失数，别靠眼睛
   print(X.dtypes)# 确认列类型，避免object类型被误当数值

2. 别信“数据是干净的”：
   我上次用df.dropna()删了整行，结果聚类结果歪了——缺失值不是垃圾，而是信息！用均值/中位数填充比删行更合理。

3. 报错时盯住具体行：
   如果报错在fit，大概率是输入数据问题；在transform，可能是测试集有新缺失。别乱改算法，先查数据。

（图：左边原始数据有空值，右边填充后数值完整，KMeans才能跑）

最后说句大实话：KMeans报错90%是数据问题，不是算法问题。我踩过这坑三次，现在一看到ValueError就先跑isnull().sum()。别等凌晨三点才改，数据干净了，聚类才香。

（字数：688）