Sklearn ColumnTransformer处理混合数据类型报错，求正确转换方案

核心错误原因 #

1. 错误地将列转为numpy数组：你把列名列表转换成了numpy数组，导致后续尝试拼接数组时出现float与str相加的类型错误。
2. 重复添加转换器步骤：多个转换器（如StandardScaler、OneHotEncoder）被重复添加，这完全没必要且会导致冗余计算。
3. 目标列处理不当：将目标列转为numpy数组后无法直接用于data[]索引。

修正后的完整代码 #

from sklearn.compose import ColumnTransformer
from sklearn.preprocessing import StandardScaler, OneHotEncoder, OrdinalEncoder
from sklearn.pipeline import Pipeline
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import classification_report, confusion_matrix
import pandas as pd
import numpy as np

# 处理TotalCharges的空值问题（Telco Churn数据集常见问题）
data['TotalCharges'] = pd.to_numeric(data['TotalCharges'], errors='coerce').fillna(0)

# 定义列名列表（不要转numpy数组！）
numerical_cols = ['MonthlyCharges', 'TotalCharges', 'tenure']
ordinal_cols = ['Contract']
categorical_cols = ['PaperlessBilling', 'PaymentMethod']
target_col = 'Churn'

# 定义有序列的顺序
contract_order = ['Month-to-month', 'One year', 'Two year']

# 创建转换器（移除重复步骤）
numeric_transformer = Pipeline(steps=[
    ('scaler', StandardScaler())
])

ordinal_transformer = Pipeline(steps=[
    ('ordinal', OrdinalEncoder(categories=[contract_order]))
])

categorical_transformer = Pipeline(steps=[
    ('onehot', OneHotEncoder(handle_unknown='ignore'))
])

# 列转换器：传入列名列表而非数组
preprocessor = ColumnTransformer([
    ('num', numeric_transformer, numerical_cols),
    ('ord', ordinal_transformer, ordinal_cols),
    ('cat', categorical_transformer, categorical_cols)
])

# 构建完整 pipeline
model = Pipeline(steps=[
    ('preprocessor', preprocessor),
    ('classifier', LogisticRegression(max_iter=1000))  # 增加迭代次数避免收敛警告
])

# 分离特征与目标变量
X = data[numerical_cols + ordinal_cols + categorical_cols]
y = data[target_col].map({'Yes': 1, 'No': 0})  # 更简洁的编码方式

# 划分训练测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 训练模型
model.fit(X_train, y_train)

# 评估模型
y_pred = model.predict(X_test)
print(confusion_matrix(y_test, y_pred))
print(classification_report(y_test, y_pred))

关键修正点说明 #

• 列名定义：直接使用字符串列表指定列名，而非将列数据转为numpy数组，这是ColumnTransformer要求的正确用法。
• 移除重复转换器：每个转换器只保留一个步骤，避免冗余操作。
• 目标变量编码：使用map方法替代apply，更高效简洁。
• TotalCharges处理：针对Telco Churn数据集常见的空值问题，先转为数值型并填充空值，避免后续标准化出错。
• LogisticRegression迭代次数：增加max_iter=1000，防止因数据未完全收敛导致的警告。

内容的提问来源于stack exchange，提问作者s213439