前几天使用sklearn拟合数据，发现曲线特别离谱，找了很久的原因，最后发现是因为我在代码中对特征进行了特征之间的相乘操作，来增加特征的维度，但是两个正数相乘之后，变成了负数：

下图中 xi 为所有数据的第一个特征， xj 为第二个特征， xij 为两个特征相乘之后的结果

在经过下面的代码测试后，发现原因是数据太大，直接相乘不会出错，但是在pandas中进行相乘后结果就是负值。

if __name__ == '__main__':
    a = 10000000000
    b = 70000000000
    print("a:{}, b:{}".format(a, b))
    print("a与b直接相乘:\n", a*b)
    pda = pd.DataFrame(np.array([a]))
    pdb = pd.DataFrame(np.array([b]))
    print("通过pandas相乘:")
    print(pda * pdb)

a:10000000000, b:70000000000
a与b直接相乘:
700000000000000000000
通过pandas相乘:
                   0
0 -976274800962961408

造成结果为负数的原因是，原始的数据太大，相乘后的结果超过pandas所能表达的整数的范围，导致溢出，这一现象在numpy中也存在。

一般整数的组织类型为: int8、int16、int32、int64等，如果相乘的两个数是因为pandas的整数类型为int32导致的溢出，而相乘后结果可以用int64类型的表示范围内，则将pandas的数据类型从int32改为int64即可:

pda = pd.DataFrame(np.array([a]), dtype='int64')
pdb = pd.DataFrame(np.array([b]), dtype='int64')
res = pda * pdb

如果相乘的两个数字实在太大，相乘后的结果超过了int64所能表示的范围，我们可以采取归一化将数据归一化至 (-1, 1) 或 (0, 1)，归一化后的数据在相乘或平方时的结果就会变得正常起来。