RuntimeWarning: invalid value encountered in divide

看到这么多RuntimeWarning: invalid value encountered in divide
简单来说，这是Scikit-learn 的 F-test (f_classif)在向你吐槽：“我的分母变成 0 了！”

1. 为什么会出现这个报错？

F-test 的核心逻辑是计算组间方差与组内方差的比值。公式简化后如下：

F=MSbetweenMSwithinF = \frac{\text{MS}_{between}}{\text{MS}_{within}}F=MSwithin​MSbetween​​

出现invalid value encountered in divide通常是因为以下两个原因之一：

• 常量特征（Constant Features）：某个特征在某一类样本（比如全是 NSTEMI 患者）中完全没有变化，导致组内方差为 0。
• 重复值过多：虽然在 Step 0 删除了全样本方差为 0 的特征，但在交叉验证（Outer Fold）的过程中，数据被切分了。可能在当前的训练集中，某些特征变成了“局部常量”，导致分母为 0。

2. 这会影响你的模型结果吗？

基本不影响。

• 当 F-test 遇到 0 除以 0 或XXX除以 0 时，它会把该特征的 F 值设为NaN。
• Scikit-learn 通常会将这些NaN处理为极小值或 0，从而在特征选择时自动忽略这些特征。
• 从你日志中看到的AUC=0.9527来看，模型运行非常成功，说明特征选择和随机森林（RF）都在正常工作。

3. 如何解决/消除这些警告？

如果你想让日志看起来干净一点，可以尝试以下几种方法：

A. 更加严格的预处理（推荐）

在 Step 0 之后，加入对近乎常量特征的筛选。有些特征虽然方差不为 0，但 99% 的值都是一样的。

fromsklearn.feature_selectionimportVarianceThreshold# 剔除 99% 样本都相同的特征selector=VarianceThreshold(threshold=(.99*(1-.99)))X_train=selector.fit_transform(X_train)

B. 临时忽略警告

如果你确定数据没问题，只是不想看到这些红字，可以在代码头部加入：

importnumpyasnpimportwarnings# 忽略运行时警告warnings.filterwarnings('ignore',category=RuntimeWarning)# 或者针对 numpy 的除法警告np.seterr(divide='ignore',invalid='ignore')

C. 检查数据缩放

F-test 对数据分布比较敏感。虽然你提到 Step 0 没有标准化，但通常建议在进行 F-test 前对特征进行简单的缩放（如StandardScaler或MinMaxScaler），这有助于数值计算的稳定性。

总结

这是一个计算层面的警告而非逻辑错误。它提示你数据中存在一些在子集下失去区分度的特征。既然你的best_k=100并且跑出了很高的 AUC，说明程序已经自动帮你剔除了那些表现异常的特征。