M1 macOS环境下Linear Regression模型fit函数报错的解决方法

核心原因 #

线性回归模型LinearRegression的fit()方法仅支持数值型输入特征，字符串类型的地址数据无法被模型解析为浮点数。这和系统（Windows/M1 macOS）无关，大概率是Windows环境下的代码或数据无意中排除了Address列，才没触发报错。

具体解决方法 #

1. 直接移除Address列（如果地址和目标变量无关）

如果地址数据对预测结果没有影响，直接从特征集X中删除该列：

# 假设特征数据存储在DataFrame df中
X = df.drop(columns=['Address'])

2. 对地址进行编码转换（如果地址和目标变量相关）

如果地址包含有用信息（比如不同区域对应不同的目标值），可以用以下方式编码：

• 类别编码（Label Encoding）：适合地址是有限离散类别的场景（比如仅包含几个城市）

from sklearn.preprocessing import LabelEncoder

le = LabelEncoder()
df['Address_encoded'] = le.fit_transform(df['Address'])
# 替换原Address列，或保留编码列并删除原列
X = df.drop(columns=['Address'])

• 独热编码（One-Hot Encoding）：适合地址类别无顺序关系的场景，避免模型误判类别间的顺序

import pandas as pd

# 使用pandas的get_dummies更便捷
encoded_address = pd.get_dummies(df['Address'], prefix='Address')
# 合并编码后的列到原数据，删除原Address列
df_encoded = pd.concat([df.drop(columns=['Address']), encoded_address], axis=1)
X = df_encoded

• 地址特征提取：如果是详细地址，可以提取区域、邮编等结构化信息，转成数值或类别特征，比如：

# 提取邮编（假设地址字符串包含5位邮编）
df['Zipcode'] = df['Address'].str.extract(r'(\d{5})').astype(float)
X = df.drop(columns=['Address'])

3. 检查数据一致性

确认Windows和M1 macOS环境下的输入数据是否一致，可能Windows端的数据集里Address列是空值或已被预处理，而Mac端的数据保留了原始字符串，导致差异。可以打印X的列类型排查：

print(X.dtypes)

内容的提问来源于stack exchange，提问作者user22577421