ValueError: Input X contains NaN.
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
df = pd.DataFrame({"suprafata": [50, np.nan, 80], "pret": [100, 120, 160]})
model = LinearRegression()
model.fit(df[["suprafata"]], df["pret"])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
model.fit(X_train, y_train)
print(model.predict(X_test)) # X_test are NaNimputer = 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"
df["varsta"] = pd.to_numeric(df["varsta"], errors="coerce") # "n/a" devine NaN
model.fit(df[["varsta"]], y)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 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.
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))Valori lipsa: 0 Pret estimat: 140.9
Indiciu
Folosește df["suprafata"].fillna(df["suprafata"].median()) înainte să construiești X.
Reparația
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],
})
df["suprafata"] = df["suprafata"].fillna(df["suprafata"].median())
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))De ce merge
LinearRegression calculează o dreaptă din toate punctele, iar un punct fără suprafață nu poate fi pus pe grafic, deci fit se oprește. După fillna cu mediana (57.5 m², mijlocul celor patru suprafețe cunoscute), fiecare rând are o valoare numerică și antrenarea merge. Mediana e o alegere bună pentru prețuri și suprafețe, pentru că nu e trasă în sus de valorile extreme. Într-un proiect real ai pune un SimpleImputer într-un Pipeline, ca aceeași completare să se aplice și la predicție.
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 fiecaremergesau conversie; - decide explicit pentru fiecare coloană: elimini rândurile (
dropna) sau completezi (fillna,SimpleImputer); - pune imputerul într-un
Pipeline, ca să se aplice automat și lapredict, 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
ValueError: Input y contains NaN. Ținta y (coloana pe care vrei s-o prezici) are valori lipsă. Elimină rândurile fără țintă înainte de fit, din X și din y deodată, de exemplu cu df.dropna(subset=['pret']); nu completa ținta cu media. ValueError: Input X contains infinity or a value too large for dtype('float64'). În X există o valoare infinită (inf) sau un număr prea mare pentru float64. De obicei vine dintr-o împărțire la zero într-o caracteristică calculată de tine. Înlocuiește inf cu NaN și tratează golurile, sau evită împărțirea la zero. ValueError: could not convert string to float: 'Bucuresti' În X ai o coloană cu text (de exemplu orașul), iar modelul acceptă doar numere. Transformă coloanele de text în numere înainte de fit, cu pd.get_dummies sau OneHotEncoder, sau scoate-le din X dacă nu ai nevoie de ele. 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.
