...
Eroare Machine Learning · Date lipsă, text și valori invalide

ValueError: Input X contains NaN.

Pe scurt

Datele de intrare X au cel puțin o valoare lipsă (NaN), iar modelul nu știe să lucreze cu ea. Completează golurile înainte de fit (de exemplu cu fillna sau SimpleImputer) sau elimină rândurile incomplete cu dropna.

Explicat de Tudor Andrei Dumitrescu, Senior Software Developer, fondatorul Academiei ProgramatorilorActualizat la

Ce înseamnă

Mesajul spune exact ce s-a întâmplat: în X, tabelul cu caracteristici pe care l-ai dat la fit, predict sau transform, există cel puțin o celulă NaN. Majoritatea modelelor din scikit-learn (LinearRegression, LogisticRegression, KNeighborsClassifier, SVC) fac calcule matematice cu toate valorile și nu au o regulă pentru „lipsă”, așa că se opresc înainte să antreneze ceva.

După prima linie, scikit-learn adaugă de obicei numele modelului („LinearRegression does not accept missing values encoded as NaN natively”) și câteva sugestii: imputer, eliminarea rândurilor sau un model care acceptă NaN. Linia din traceback îți arată apelul (fit sau predict), dar cauza e în date: verifică cu X.isna().sum() ce coloane au goluri. NaN-urile apar des după citirea unui CSV cu celule goale, după un merge sau după o conversie cu pd.to_numeric(..., errors="coerce").

De ce apare: cauzele frecvente

1Celule goale în CSV, ajunse direct în model

Greșit
PYTHON
df = pd.DataFrame({"suprafata": [50, np.nan, 80], "pret": [100, 120, 160]})
model = LinearRegression()
model.fit(df[["suprafata"]], df["pret"])
Corect
PYTHON
df = pd.DataFrame({"suprafata": [50, np.nan, 80], "pret": [100, 120, 160]})
df["suprafata"] = df["suprafata"].fillna(df["suprafata"].median())
model = LinearRegression()
model.fit(df[["suprafata"]], df["pret"])

Rândul al doilea nu are suprafață. După fillna cu mediana, fiecare celulă are un număr și modelul poate calcula coeficienții.

2Datele de test au goluri, deși cele de antrenare nu aveau

Greșit
PYTHON
model.fit(X_train, y_train)
print(model.predict(X_test))  # X_test are NaN
Corect
PYTHON
imputer = SimpleImputer(strategy="median")
X_train = imputer.fit_transform(X_train)
model.fit(X_train, y_train)
print(model.predict(imputer.transform(X_test)))

Eroarea poate apărea abia la predict. Imputerul învățat pe train completează la fel și datele noi.

3NaN creat de o conversie cu errors="coerce"

Greșit
PYTHON
df["varsta"] = pd.to_numeric(df["varsta"], errors="coerce")  # "n/a" devine NaN
model.fit(df[["varsta"]], y)
Corect
PYTHON
df["varsta"] = pd.to_numeric(df["varsta"], errors="coerce")
df = df.dropna(subset=["varsta"])
model.fit(df[["varsta"]], df["tinta"])

errors="coerce" transformă textele invalide în NaN fără să te anunțe. Elimină sau completează rândurile acelea înainte de antrenare și ia y din același tabel filtrat.

Repară tu

Repară eroarea, direct în pagină

Codul de mai jos dă ValueError: Input X contains NaN., pentru că un apartament nu are suprafața completată. Repară-l: completează suprafața lipsă cu mediana coloanei, înainte de antrenare, astfel încât programul să afișeze câte valori lipsă au rămas și prețul estimat pentru 70 m².

Codul care dă eroarea
PYTHON
import numpy as np
import pandas as pd
from sklearn.linear_model import LinearRegression

df = pd.DataFrame({
    "suprafata": [50, 65, np.nan, 80, 45],
    "pret": [100, 130, 120, 160, 90],
})

X = df[["suprafata"]]
y = df["pret"]
model = LinearRegression().fit(X, y)
print("Valori lipsa:", int(X.isna().sum().sum()))
print("Pret estimat:", round(model.predict(pd.DataFrame({"suprafata": [70]}))[0], 1))
După reparație, programul afișează
Valori lipsa: 0
Pret estimat: 140.9
Indiciu

Folosește df["suprafata"].fillna(df["suprafata"].median()) înainte să construiești X.

Alte forme ale mesajului

  • ValueError: Input contains NaN.
  • ValueError: Input contains NaN, infinity or a value too large for dtype('float64').
  • ValueError: Input X contains NaN. LogisticRegression does not accept missing values encoded as NaN natively.

Cum o eviți pe viitor

Verifică datele înainte de fiecare antrenare:

  • rulează df.isna().sum() imediat după citire și după fiecare merge sau conversie;
  • decide explicit pentru fiecare coloană: elimini rândurile (dropna) sau completezi (fillna, SimpleImputer);
  • pune imputerul într-un Pipeline, ca să se aplice automat și la predict, pe date noi;
  • calculează valoarea de completare (media, mediana) doar pe setul de antrenare.

Întrebări frecvente

E mai bine să șterg rândurile sau să le completez?

Dacă lipsesc puține rânduri, dropna e simplu și sigur. Dacă golurile sunt multe, ștergerea îți aruncă o bună parte din date, așa că e mai bine să completezi cu mediana (la numere) sau cu valoarea cea mai frecventă (la categorii), de obicei cu SimpleImputer într-un pipeline.

Există modele care acceptă NaN?

Da. HistGradientBoostingClassifier și HistGradientBoostingRegressor tratează NaN nativ, iar în versiunile noi și arborii de decizie acceptă valori lipsă. Pentru modelele liniare și k-NN trebuie să completezi datele.

De ce mesajul spune Input X și nu numele coloanei?

Pentru scikit-learn datele sunt doar un tablou de numere, așa că nu știe ce coloană are golul. Găsești singur coloana cu X.isna().sum().

Erori înrudite

← Toate erorile Machine Learning

Tudor Andrei Dumitrescu
Cine a explicat eroarea

Tudor Andrei Dumitrescu

Senior Software Developer · fondatorul Academiei Programatorilor

LinkedIn
  1. 2019 Junior JavaCognizant Softvision
  2. 2021 Mid JavaCognizant Softvision
  3. 2022 Team LeaderEndava
  4. 2023 Senior Software DeveloperUniCredit
  5. Acum Senior Software DeveloperHCLTech
Certificat de absolvire Instructor / Preparator formare, Tudor Andrei Dumitrescu
Certificat de formator autorizatMinisterul Muncii și Ministerul Educației · 2022
Certificat de absolvire Instructor / Preparator formare, Tudor Andrei Dumitrescu

Certificat de formator autorizat · Ministerul Muncii și Ministerul Educației · 2022

Din 2020 construiește Academia Programatorilor, iar din 2026 și JoburiIT.ro. Fiecare eroare de aici a fost reprodusă în editorul nostru: codul greșit chiar dă mesajul din titlu, iar reparația chiar funcționează.

Învață Machine Learning de la zero, cu exerciții la fiecare lecție

Curs Machine Learning și AI pentru începători: lecții scurte, fiecare cu un exercițiu verificat automat, direct în browser. Primele 15 lecții sunt gratuite.