使用sklearn PCA执行fit时出现'could not convert string to float'报错求助

运行代码 #

import pandas as pd
from sklearn.decomposition import PCA
from sklearn.cluster import KMeans

data = pd.read_csv("tfidf_smogon.csv")
data.drop(['Categoría'], axis=1, inplace=True)
data.drop(data.columns[0], axis=1, inplace=True)
print(data)

pca = PCA(n_components=3)
pca.fit(data)
print('se alimentó')
x_pca = pca.transform(data)

miLista = ['PCA1', 'PCA2', 'PCA3', 'PCA4', 'PCA5', 'PCA6', 'PCA7', 'PCA8']
tablaPCA = pd.DataFrame(data=x_pca, columns=miLista)
print(tablaPCA)

#Ahora vamos a agrupar los comentarios en base a estos 3 PCA
km = KMeans(n_clusters=2, n_init=100)
lista_de_cluster = km.fit_predict(tablaPCA)
print(lista_de_cluster)

tablaPCA["Cluster"]=lista_de_cluster
print(tablaPCA)
tablaPCA.to_csv("PCA_smogon.csv")

问题描述 #

运行上述代码时，执行pca.fit(data)步骤反复出现**"could not convert string to float"**错误。原本期望通过PCA的fit和transform方法得到降维后的矩阵，尝试过使用标签函数、fit_transform方法均无法解决，特此求助。

问题原因 #

PCA是纯数值型算法，要求输入的特征矩阵必须全部由数值类型（int/float）组成。报错说明你的data数据框中仍存在未清理的字符串类型列。

解决方法 #

1. 定位字符串列
   先检查数据类型，找出所有字符串列：

# 查看所有列的数据类型
print(data.dtypes)
# 直接筛选出字符串类型的列名
print(data.select_dtypes(include=['object']).columns)

2. 清理/转换字符串列

• 若字符串列是无关冗余数据，直接删除：

# 保留所有非字符串类型的列
data = data.select_dtypes(exclude=['object'])

• 若字符串列是需要保留的分类变量，进行编码转换：
  • 标签编码（适用于有序分类，比如"低/中/高"）：

    from sklearn.preprocessing import LabelEncoder
    le = LabelEncoder()
    for col in data.select_dtypes(include=['object']).columns:
        data[col] = le.fit_transform(data[col])
    

  • 独热编码（适用于无序分类，比如"苹果/香蕉/橙子"）：

    data = pd.get_dummies(data, columns=data.select_dtypes(include=['object']).columns)
    

3. 验证数据有效性
   处理完成后，再次确认所有列都是数值类型：

print(data.dtypes)

4. 修正代码中的列名不匹配问题
   你设置PCA降维到3个维度，但创建tablaPCA时用了8个列名，这会导致维度不匹配报错，需修改列名列表：

miLista = ['PCA1', 'PCA2', 'PCA3']
tablaPCA = pd.DataFrame(data=x_pca, columns=miLista)

完成上述步骤后，重新运行代码即可正常执行PCA降维。

内容的提问来源于stack exchange，提问作者yoryi