Top2Vec训练报错TypeError：numpy.float64无法解析为整数

最初因文档数量不足，通过多次拼接DataFrame扩充数据（数据含2列字符串类型），但训练Top2Vec时触发TypeError，无法定位浮点数来源。

代码示例 #

# 增加文档数量
data = [df, df, df, df, df]
df_extra = pd.concat(data)
print(len(df_extra))

# 训练Top2Vec模型
model = Top2Vec(df_extra.values, embedding_model='universal-sentence-encoder')

错误回溯信息 #

TypeError                                 Traceback (most recent call last)
Cell In[84], line 2
      1 # Train the top2vec model
----> 2 model = Top2Vec(df_extra.values, embedding_model='universal-sentence-encoder')

File ~/opt/anaconda3/envs/top2vec/lib/python3.10/site-packages/top2vec/Top2Vec.py:666, in Top2Vec.__init__(...)
---> 666 self.compute_topics(umap_args=umap_args, hdbscan_args=hdbscan_args, topic_merge_delta=topic_merge_delta)

File ~/opt/anaconda3/envs/top2vec/lib/python3.10/site-packages/top2vec/Top2Vec.py:1266, in Top2Vec.compute_topics(...)
---> 1266 cluster = hdbscan.HDBSCAN(**hdbscan_args).fit(umap_model.embedding_)

...

File hdbscan/_hdbscan_tree.pyx:733, in hdbscan._hdbscan_tree.get_clusters()

TypeError: 'numpy.float64' object cannot be interpreted as an integer

解决指引 #

• 修正输入数据格式：Top2Vec要求输入为一维文档数组，当前传入的df_extra.values是二维数组（对应原DataFrame的2列），会导致后续处理异常。需提取单列文本作为输入，例如df_extra['文本列名'].values。
• 显式指定HDBSCAN整数参数：默认参数可能因版本问题被解析为浮点数，初始化Top2Vec时可传入明确的整数参数，示例：

  model = Top2Vec(df_extra['文本列名'].values, 
                  embedding_model='universal-sentence-encoder',
                  hdbscan_args={'min_cluster_size': 5, 'min_samples': 3})
  

• 避免过度重复数据：重复拼接会造成严重数据冗余，干扰HDBSCAN聚类逻辑。优先寻找真实数据扩充方式，或调整min_cluster_size等参数适配小数据集。
• 检查依赖版本兼容性：确认hdbscan、umap-learn、top2vec的版本匹配，比如hdbscan 0.8.29+搭配top2vec 1.0.24+，版本不匹配易触发类型转换bug。

内容的提问来源于stack exchange，提问作者Magnetar