线性模型函数 lm() 错误：外部函数调用中的 NA/NaN/Inf (arg 1)

Question

假设我有 data.frame a

我使用

m.fit <- lm(col2 ~ col3 * col4, na.action = na.exclude)

col2 有一些 NA 值，col3 和 col4< /code> 的值小于 1。

我一直收到消息

Error in lm.fit(x, y, offset = offset, singular.ok = singular.ok, ...) : 
NA/NaN/Inf in foreign function call (arg 1)

，我已经检查了邮件列表，看来这是因为 col2 中的 NA，但我尝试使用na.action=na.exclude/omit/pass 但它们似乎都不起作用。我在前 10 个条目上再次测试了 lm，绝对不是因为 NA。这个警告的问题是每个谷歌结果似乎都指向NA。

我是否误解了该错误，或​​者我错误地使用了 lm ？

数据位于 kaggle。我正在使用线性回归对 MonthlyIncome 数据进行建模（因为我无法让某个 glm 系列发挥作用）。我已经创建了自己的变量来使用，但如果您尝试使用已存在的变量对 MonthlyIncome 进行建模，则会失败。

Answer 1

我知道这个线程确实很旧，但答案似乎并不完整，我刚刚遇到了同样的问题。

我遇到的问题是因为 NA 列也有 NaN 和 Inf。删除它们并重试。具体来说：

col2[which(is.nan(col2))] = NA
col2[which(col2==Inf)] = NA

希望对您 18 个月大的问题有所帮助！

Answer 2

你应该读一读这本书R 初学者指南 对此有完整的解释。具体来说，它提到了以下错误：

lm.fit(x, y, offset = offset, Single.ok = 中的错误
single.ok,...): 外部函数调用中的 NA/NaN/Inf (arg 4)

解决方案是向 Intensity 数据添加一个小的常量值，例如 1。请注意，正在进行的讨论在统计界关于添加一个小值。尽管如此，在 R 中进行计算时不能使用零的对数。

Answer 3

在所有可能的 na.omit 和 na.exclude 检查之后，我只是遇到了另一种可能性。

我采用了类似的方法：

lm(log(x) ~ log(y), data = ...)

没有注意到，对于我的数据集中的某些值，x 或 y 可能为零：
log(0) = -Inf

所以还有一件事需要注意！

Answer 4

我通过重置选项解决了此类问题。
选项(na.action="na.exclude")
或者
options(na.action="na.omit")

我检查了我的设置，之前已将选项更改为
“na.pass”并没有放弃我对 NA 的 y 观察（其中 y~x ）。

Answer 5

尝试更改 col2 的类型（以及所有其他变量）

col2 <- as.integer(col2)

Answer 6

我刚刚遇到了同样的问题。使用获得有限元

finiteElements = which(is.finite(col3*col4))
finiteData = data[finiteElements,]
lm(col2~col3*col4,na.action=na.exclude,data=finiteData)

Answer 7

当我的 col2 的等价物是整数64而不是整数并且使用自然和多项式样条、样条::bs和样条:ns时，我遇到了这个错误：

m.fit <- lm(col1 ~ ns(col2))
m.fit <- lm(col1 ~ bs(col2, degree = 3))

转换为标准整数对我有用：

m.fit <- lm(col1 ~ ns(as.integer(col2)))
m.fit <- lm(col1 ~ bs(as.integer(col2), degree = 3))

Answer 8

当我在调用 reformulate 时反转参数并在不检查的情况下在 lm 调用中使用公式时，出现此错误，因此我得到了错误的预测变量和响应变量。

Answer 9

另一件需要注意的事情是使用 log() 或 sin() 等函数使 x 和 y 的 inf 。例如。 log 0 = 0 或 sin(pi) = 0。

Answer 10

这对我的案例有帮助。我解析了已经排除 NA 和 INF 的数据。

lm(y ~ x, data = data[(y != Inf & is.na(y) == FALSE)])

Answer 11

确保因变量中没有任何 0。