将分类特征转换为数值时触发ValueError: A given column is not a column of the dataframe的问题排查

嘿，这个问题我太熟了！你在设置ColumnTransformer的时候犯了个很容易踩的小坑：

你写了这段代码：

cat = X["Country"]
transformer = ct([("one_hot", one_hot, cat)],remainder="passthrough")

这里的cat变量存的是X["Country"]返回的整列数据内容（比如第一个值是"Tunisia"），但ColumnTransformer要求的第三个参数是列的标识信息——要么是列名（字符串，比如"Country"），要么是列的索引位置（整数，比如这里是1，因为X里第一列是Age，第二列是Country）。

当你把整列数据传进去时，scikit-learn会错误地把数据里的第一个值"Tunisia"当成列名去DataFrame里查找，而你的DataFrame根本没有叫这个名字的列，所以就抛出了KeyError: 'Tunisia'，进而引发了后续的ValueError。

修正后的完整代码 #

只需要把列的指定方式改成列名（或索引）就行，这里用列名更直观：

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from sklearn.compose import ColumnTransformer as ct
from sklearn.model_selection import train_test_split as tts
from sklearn.preprocessing import OneHotEncoder

data = pd.read_csv("advertising.csv")
X = data[["Age","Country"]]
y = data[["Clicked on Ad"]]

one_hot = OneHotEncoder()
# 直接传入列名列表，而不是列数据
transformer = ct([("one_hot", one_hot, ["Country"])], remainder="passthrough")
transformed_X = transformer.fit_transform(X)
print(transformed_X)

这里用列表["Country"]是更规范的写法，如果你需要对多列做独热编码，直接在列表里加列名就行；当然也可以传单个字符串"Country"，效果是一样的。

另一种可行写法（用列索引） #

如果你的DataFrame列顺序固定不变，也可以用列的索引位置来指定：

# Country是X的第二列，索引从0开始所以是1
transformer = ct([("one_hot", one_hot, [1])], remainder="passthrough")

这种写法在列名很长或者有重复列名的时候会更方便。

内容的提问来源于stack exchange，提问作者cagatay.e.sahin