使用Pandas计算泰坦尼克数据集列相关性时遇ValueError问题

错误原因 #

df.corr()仅支持数值型列的相关性计算，泰坦尼克数据集里包含Name、Sex、Embarked等字符串类型列，这类列无法直接转换为浮点数参与运算，因此触发报错。

解决方法 #

方法1：仅保留数值型列计算相关性

直接筛选数据集中的数值类型列，跳过无法参与计算的字符串列：

import pandas as pd
df = pd.read_csv('Datasets/train.csv')
# 筛选出整数、浮点数类型的列
numeric_df = df.select_dtypes(include=['int64', 'float64'])
# 计算相关性矩阵
corr_matrix = numeric_df.corr()
print(corr_matrix)

方法2：编码分类字符串列后再计算

如果需要纳入分类变量（如Sex、Embarked）的相关性，可先对字符串分类列做编码处理：

import pandas as pd
from sklearn.preprocessing import LabelEncoder

df = pd.read_csv('Datasets/train.csv')
encoded_df = df.copy()

# 对二元分类列Sex做标签编码（0/1）
le = LabelEncoder()
encoded_df['Sex'] = le.fit_transform(encoded_df['Sex'])

# 对多分类列Embarked做独热编码（drop_first避免多重共线性）
encoded_df = pd.get_dummies(encoded_df, columns=['Embarked'], drop_first=True)

# 丢弃无意义的高基数字符串列（Name、Ticket、Cabin）
encoded_df = encoded_df.drop(['Name', 'Ticket', 'Cabin'], axis=1)

# 计算相关性矩阵
corr_matrix = encoded_df.corr()
print(corr_matrix)

注意事项 #

• Name、Ticket这类高基数字符串列通常对相关性分析无价值，建议直接丢弃
• 不同编码方式会影响相关性结果：标签编码适合有序分类变量，独热编码适合无序多分类变量

内容的提问来源于stack exchange，提问作者Titanium Gopal