训练时遇AttributeError：'str'对象无float属性问题求助

这个错误的核心原因是你的train_loader输出的x或y是字符串类型，而非PyTorch张量，所以无法调用张量的.float()方法。以下是具体解决步骤：

1. 检查并修正Dataset类的数据返回逻辑 #

问题大概率出在自定义Dataset的__getitem__方法里，你需要确保返回的x和y是数值类型（或直接转为张量），而非原始字符串。

比如原错误写法（返回字符串）：

def __getitem__(self, idx):
    x = self.data.iloc[idx, 0]  # 从CSV读取的字符串类型数据
    y = self.data.iloc[idx, 1]
    return x, y

修正为（转为数值后生成张量）：

import torch
def __getitem__(self, idx):
    # 先将字符串转为浮点数，再生成张量
    x = torch.tensor(float(self.data.iloc[idx, 0]))
    y = torch.tensor(float(self.data.iloc[idx, 1]))
    return x, y

如果是多特征批量数据，可直接转为张量并指定数据类型：

def __getitem__(self, idx):
    x = torch.tensor(self.data.iloc[idx, :-1].values, dtype=torch.float32)
    y = torch.tensor(self.data.iloc[idx, -1], dtype=torch.float32)
    return x, y

2. 预处理清洗原始数据 #

如果原始数据中存在非数值字符串（比如"NA"、空值、异常标记），需要先做清洗：

import pandas as pd
# 读取数据并将非数值内容转为NaN
df = pd.read_csv("your_data.csv")
df = df.apply(pd.to_numeric, errors='coerce')
# 用均值填充NaN（也可根据需求用0、中位数等）
df.fillna(df.mean(), inplace=True)

3. 临时修正训练循环中的转换逻辑（应急方案） #

如果暂时无法修改Dataset，可在训练循环中先将字符串转为数值再转张量：

for batch_ndx, (x,y) in enumerate(train_loader):
    # 批量转换字符串为浮点数再生成张量
    x = torch.tensor([float(item) for item in x]).float().to(device)
    y = torch.tensor([float(item) for item in y]).float().to(device)
    # 后续训练逻辑不变
    pred = model(x)
    loss = criterion(pred, y)
    optimizer.zero_grad()
    loss.backward()
    optimizer.step()

注意：此方法仅适用于字符串可直接转为浮点数的情况，若存在无法转换的字符串，仍需先清洗数据。

内容的提问来源于stack exchange，提问作者Anuska Roy