运行K-Means肘部法则代码时出现AttributeError错误求助

问题代码 #

from sklearn.cluster import KMeans
cs = []
for i in range(1, 11):
    kmeans = KMeans(n_clusters = i, init = 'k-means++', max_iter = 300, n_init = 10, random_state = 0)
    kmeans.fit(X)
    cs.append(kmeans.inertia_)
plt.plot(range(1, 11), cs)
plt.title('The Elbow Method')
plt.xlabel('Number of clusters')
plt.ylabel('CS')
plt.show()

报错信息 #

AttributeError: 'NoneType' object has no attribute 'split'

错误原因及解决方案 #

1. 核心原因：变量X未正确初始化（为None） #

这是触发该错误的最常见场景——kmeans.fit(X)中的X是None，sklearn在内部处理数据时会调用字符串分割操作，从而抛出该异常。

解决办法：

• 确保X是有效的二维数值型数组/矩阵，比如加载公开数据集测试：

  from sklearn.datasets import load_iris
  from sklearn.cluster import KMeans
  import matplotlib.pyplot as plt
  
  data = load_iris()
  X = data.data  # 此时X是(150,4)的二维数值数组
  
  cs = []
  for i in range(1, 11):
      kmeans = KMeans(n_clusters=i, init='k-means++', max_iter=300, n_init=10, random_state=0)
      kmeans.fit(X)
      cs.append(kmeans.inertia_)
  
  plt.plot(range(1, 11), cs)
  plt.title('The Elbow Method')
  plt.xlabel('Number of clusters')
  plt.ylabel('CS')
  plt.show()
  

• 若使用自定义数据集，检查加载代码是否正确（文件路径、数据格式）：

  import pandas as pd
  # 确保文件路径正确，且数据为数值型
  X = pd.read_csv('your_dataset.csv').values
  

• 可以在fit前添加断言排查：

  assert X is not None, "X不能为None，请检查数据加载逻辑"
  

2. 次要可能原因：数据格式/缺失值问题 #

如果X不是None，但包含非数值型数据、大量缺失值，也可能在sklearn内部处理时触发类似错误。

解决办法：

• 处理缺失值：

  import numpy as np
  # 将缺失值替换为0，或根据业务逻辑用均值/中位数填充
  X = np.nan_to_num(X)
  

• 确保X所有特征都是数值型：

  import pandas as pd
  # 转换所有列为数值型，无法转换的设为NaN
  X = pd.read_csv('your_dataset.csv').apply(pd.to_numeric, errors='coerce').values
  

3. 额外检查：补全matplotlib导入 #

原代码中使用了plt但未导入，虽然这会触发NameError而非当前的AttributeError，但仍需在代码开头添加：

import matplotlib.pyplot as plt

内容的提问来源于stack exchange，提问作者Niubie