<\/p>\n
Cz\u0119stym b\u0142\u0119dem, jaki mo\u017cesz napotka\u0107 podczas u\u017cywania Pythona, jest:<\/span><\/p>\n Ten b\u0142\u0105d zwykle pojawia si\u0119, gdy pr\u00f3bujesz u\u017cy\u0107 funkcji z modu\u0142u scikit-learn, ale DataFrame lub macierz, kt\u00f3rej u\u017cywasz jako danych wej\u015bciowych, ma warto\u015bci NaN lub warto\u015bci niesko\u0144czone.<\/span><\/p>\n Poni\u017cszy przyk\u0142ad pokazuje, jak w praktyce rozwi\u0105za\u0107 ten b\u0142\u0105d.<\/span><\/p>\n Za\u0142\u00f3\u017cmy, \u017ce mamy nast\u0119puj\u0105c\u0105 ramk\u0119 DataFrame pand:<\/span><\/p>\n Za\u0142\u00f3\u017cmy teraz, \u017ce pr\u00f3bujemy dopasowa\u0107 model regresji liniowej<\/a> za pomoc\u0105 funkcji scikit-learn<\/a> :<\/span><\/p>\n Otrzymujemy b\u0142\u0105d, poniewa\u017c u\u017cywana przez nas ramka DataFrame ma zar\u00f3wno warto\u015bci niesko\u0144czone, jak i NaN.<\/span><\/p>\n Sposobem rozwi\u0105zania tego b\u0142\u0119du jest najpierw usuni\u0119cie wszystkich wierszy z ramki DataFrame, kt\u00f3re zawieraj\u0105 warto\u015bci niesko\u0144czone lub NaN:<\/span><\/p>\n Usuni\u0119to dwie linie z warto\u015bciami niesko\u0144czonymi lub NaN.<\/span><\/p>\n Mo\u017cemy teraz przyst\u0105pi\u0107 do dopasowania naszego modelu regresji liniowej:<\/span><\/p>\n Zauwa\u017c, \u017ce tym razem nie otrzymali\u015bmy \u017cadnych b\u0142\u0119d\u00f3w, poniewa\u017c najpierw usun\u0119li\u015bmy z DataFrame wiersze z warto\u015bciami niesko\u0144czonymi lub NaN.<\/span><\/p>\n Poni\u017csze samouczki wyja\u015bniaj\u0105, jak naprawi\u0107 inne typowe b\u0142\u0119dy w Pythonie:<\/span><\/p>\n Jak naprawi\u0107 w Pythonie: Obiektu \u201enumpy.ndarray\u201d nie mo\u017cna wywo\u0142a\u0107<\/a> Cz\u0119stym b\u0142\u0119dem, jaki mo\u017cesz napotka\u0107 podczas u\u017cywania Pythona, jest: ValueError: Input contains infinity or a value too large for dtype(’float64′). Ten b\u0142\u0105d zwykle pojawia si\u0119, gdy pr\u00f3bujesz u\u017cy\u0107 funkcji z modu\u0142u scikit-learn, ale DataFrame lub macierz, kt\u00f3rej u\u017cywasz jako danych wej\u015bciowych, ma warto\u015bci NaN lub warto\u015bci niesko\u0144czone. Poni\u017cszy przyk\u0142ad pokazuje, jak w praktyce rozwi\u0105za\u0107 ten […]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[3],"tags":[],"class_list":["post-3557","post","type-post","status-publish","format-standard","hentry","category-przewodnik"],"yoast_head":"\n ValueError: Input contains infinity or a value too large for dtype('float64').\n<\/strong><\/span><\/pre>\n Jak odtworzy\u0107 b\u0142\u0105d<\/strong><\/span><\/h2>\n
import<\/span> pandas as<\/span> pd\nimport<\/span> numpy as<\/span> np\n\n#createDataFrame\n<\/span>df = pd. DataFrame<\/span> ({' x1<\/span> ': [1, 2, 2, 4, 2, 1, 5, 4, 2, 4, 4],\n ' x2<\/span> ': [1, 3, 3, 5, 2, 2, 1, np.inf, 0, 3, 4],\n ' y<\/span> ': [np.nan, 78, 85, 88, 72, 69, 94, 94, 88, 92, 90]})\n\n#view DataFrame\n<\/span>print<\/span> (df)\n\n x1 x2 y\n0 1 1.0 NaN\n1 2 3.0 78.0\n2 2 3.0 85.0\n3 4 5.0 88.0\n4 2 2.0 72.0\n5 1 2.0 69.0\n6 5 1.0 94.0\n7 4 lower 94.0\n8 2 0.0 88.0\n9 4 3.0 92.0\n10 4 4.0 90.0<\/span><\/span><\/strong><\/pre>\n from<\/span> sklearn. linear_model<\/span> import<\/span> LinearRegression\n\n#initiate linear regression model\n<\/span>model = LinearRegression()\n\n#define predictor and response variables\n<\/span>x, y = df[[' x1<\/span> ', ' x2<\/span> ']], df. y<\/span>\n\n#fit regression model\n<\/span>model. fit<\/span> (x,y)\n\n#print model intercept and coefficients\n<\/span>print<\/span> (model. intercept_<\/span> , model. coef_<\/span> )\n\n<\/span>ValueError: Input contains infinity or a value too large for dtype('float64').<\/span>\n<\/span><\/strong><\/pre>\n Jak naprawi\u0107 b\u0142\u0105d<\/strong><\/span><\/h2>\n
#remove rows with any values that are not finite\n<\/span>df_new = df[np. isfinite<\/span> (df). all<\/span> ( 1<\/span> )]\n\n#view updated DataFrame\n<\/span>print<\/span> (df_new)\n\n x1 x2 y\n1 2 3.0 78.0\n2 2 3.0 85.0\n3 4 5.0 88.0\n4 2 2.0 72.0\n5 1 2.0 69.0\n6 5 1.0 94.0\n8 2 0.0 88.0\n9 4 3.0 92.0\n10 4 4.0 90.0\n<\/span><\/span><\/strong><\/pre>\n from<\/span> sklearn. linear_model<\/span> import<\/span> LinearRegression\n\n#initiate linear regression model\n<\/span>model = LinearRegression()\n\n#define predictor and response variables\n<\/span>x, y = df_new[[' x1<\/span> ', ' x2<\/span> ']], df_new. y<\/span>\n\n#fit regression model\n<\/span>model. fit<\/span> (x,y)\n\n#print model intercept and coefficients\n<\/span>print<\/span> (model. intercept_<\/span> , model. coef_<\/span> )\n\n69.85144124168515 [5.72727273 -0.93791574]\n<\/span><\/span><\/strong><\/pre>\n Dodatkowe zasoby<\/strong><\/span><\/h2>\n
Jak naprawi\u0107: TypeError: Obiekt \u201enumpy.float64\u201d nie jest wywo\u0142ywalny<\/a>
Jak naprawi\u0107: B\u0142\u0105d typu: Oczekiwany obiekt typu String lub Bytes<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"