>我有一个包含实值和一些 NaN 值的数据帧data。我正在尝试使用随机投影执行局部敏感哈希，以将维度减少到 25 个组件，特别是使用 sklearn.random_projection.GaussianRandomProjection 类。但是，当我运行时：
tx = random_projection.GaussianRandomProjection(n_components = 25)
data25 = tx.fit_transform(data)
我得到Input contains NaN, infinity or a value too large for dtype('float64').有没有解决方法？我尝试将所有 NaN 值更改为数据集中从未存在的值，例如 -1。在这种情况下，我的输出有多有效？我不是局部敏感哈希/随机投影理论背后的专家，所以任何见解也会有所帮助。谢谢。
NaN 值（不可用/非数字）我发现，只是很麻烦。
您不想只替换像 -1 这样的随机值。如果您倾向于这样做，请使用 Imputer 类之一。否则，您可能会非常大幅度地更改点之间的距离。如果使用随机投影，则可能希望尽可能保留距离：
控制随机投影矩阵的维度和分布，以保持数据集任意两个样本之间的成对距离。
但是，这可能会也可能不会产生合理的学习价值。据我所知，归因是一个开放的研究领域，例如这位先生们专门研究。
如果有足够的示例，请考虑删除包含 NaN 值的行或列。另一种可能性是训练一个生成模型，如受限玻尔兹曼机，并用它来填充缺失值：
rbm = sklearn.neural_network.BernoulliRBM().fit( data_with_no_nans )
mean_imputed_data = sklearn.preprocessing.Imputer().fit_transform( all_data )
rbm_imputation = rbm.gibbs( mean_imputed_data )
nan_mask = np.isnan( all_data )
all_data[ nan_mask ] = rbm_imputation[ nan_mask ]
最后，您可以考虑使用最近邻进行插补。对于给定列，使用所有完整行对所有变量（该列除外）训练最近邻模型。然后，对于缺少该列的行，找到 k 个最近邻并使用其中的平均值。（这变得非常昂贵，特别是如果您的行具有多个缺失值，因为您必须为缺少列的每个组合训练一个模型）。