scikit-learn 谱聚类：无法找到潜伏在数据中的 NaN

Posted 2023-03-12

【中文标题】scikit-learn 谱聚类：无法找到潜伏在数据中的 NaN

【英文标题】：scikit-learn spectral clustering: unable to find NaN lurking in data

【发布时间】：2019-04-20 20:19:45

【问题描述】：

我在 this dataset of Jeopardy questions 上运行光谱共聚类，我在处理数据时遇到了这个令人沮丧的问题。请注意，我只是对“问题”列中的所有值进行聚类。

当我在数据集上运行双聚类时，显然会发生“除以零”ValueError。

/usr/local/lib/python3.6/dist-packages/sklearn/cluster/bicluster.py:38: RuntimeWarning: divide by zero encountered in true_divide
  row_diag = np.asarray(1.0 / np.sqrt(X.sum(axis=1))).squeeze()
/usr/local/lib/python3.6/dist-packages/sklearn/cluster/bicluster.py:286: RuntimeWarning: invalid value encountered in multiply
  z = np.vstack((row_diag[:, np.newaxis] * u,
---------------------------------------------------------------------------
ValueError                                Traceback (most recent call last)
...
ValueError: Input contains NaN, infinity or a value too large for dtype('float64').

该错误显然表明我的数据中潜伏着一个 NaN 或无限值（这只是问题的单数列）。我正在处理的完全是文本数据，我已经尝试过大多数 NumPy 和 Pandas 函数来过滤 NaN 和 inf，以及 Stack Overflow 上的许多解决方案。我找不到。

为了确保我的代码没有错误，同样的事情在 20 个新闻组数据集上完美运行。

Here's the code on Kaggle if you want to run it and see for yourself. 但是，以防万一 SO 的政策禁止这样做，下面是代码：

dat = pd.DataFrame(pd.read_csv('../input/jarchive_cleaned.csv'))

qlist = []

def cleanhtml(raw_html):
  cleanr = re.compile('<.*?>')
  cleantext = re.sub(cleanr, '', raw_html)
  return cleantext

for row in dat.iterrows():
  txt = row[1]['text'].lower()
  txt = cleanhtml(txt)
  txt = re.sub(r'[^a-z ]',"",txt)
  txt = re.sub(r'  ',' ',txt)
#   txt = ' '.join([stem(w) for w in txt.split(" ")])
  qlist.append([txt,row[1]['answer'],row[1]['category']])

print(qlist[:10])

swords = set(stopwords.words('english'))
tv = TfidfVectorizer(stop_words = swords , strip_accents='ascii')

queslst = [q for (q,a,c) in qlist]
qlen = len(set([c for (q,a,c) in qlist]))

mtx = tv.fit_transform(queslst)

cocluster = SpectralCoclustering(n_clusters=qlen, svd_method='arpack', random_state=0) #

t = time()
cocluster.fit(mtx)

【问题讨论】：

您是否尝试打印mtx？

@GalSivan 我做到了。它抛出一个词频矩阵。没有什么奇怪的，也没有 NaN/infs。

【参考方案1】：

一些字符串序列，例如'down out' 导致来自TfidfVectorizer() 的返回值为零。这会导致错误以除以 zero 错误开始，这会导致 mtx sparse matrix 中的 inf 值，这会导致第二个错误。 p>

作为解决此问题的方法，在TfidfVectorizer.fit_transform() 创建后从mtx 矩阵中删除此序列或删除零矩阵元素，由于稀疏矩阵运算，这有点棘手。

我做了第二个解决方案，因为我没有深入原来的任务，如下：

swords = set(stopwords.words('english'))
tv = TfidfVectorizer(stop_words = swords , strip_accents='ascii')

queslst = [q for (q,a,c) in qlist]
qlen = len(set([c for (q,a,c) in qlist]))

mtx = tv.fit_transform(queslst)

indices = []
for i,mx in enumerate(mtx):
    if np.sum(mx, axis=1) == 0:
        indices.append(i)

mask = np.ones(mtx.shape[0], dtype=bool)
mask[indices] = False
mtx = mtx[mask]        

cocluster = SpectralCoclustering(n_clusters=qlen, svd_method='arpack', random_state=0) #

t = time()

cocluster.fit(mtx)

终于成功了。希望对你有帮助，祝你好运！

【讨论】：

这就像一个魅力。你是救生员@Geeocode，谢谢！ :)

【参考方案2】：

除以零导致 NaN。您需要先解决根本原因。您可能知道 1/0=NaN。

您可能有一个全为零的列或行。

【参考方案3】：

像这样删除 0 行：

X = X[np.array(np.sum(X,axis=1)).ravel() != 0,:]
X = X[:,np.array(np.sum(X,axis=0)).ravel() != 0]

稀疏矩阵不合作。