KMeans聚类代码报错：无法将字符串转为浮点数，求排查解决

问题重现 #

你在使用Pandas结合KMeans开展聚类项目时，运行以下代码到第7行时触发报错：

import pandas as pd
from sklearn.cluster import KMeans

dataset = pd.read_csv("smogon.csv")
dataset.drop(["url", 'texto'], axis=1, inplace=True)
km = KMeans(n_clusters=1, n_init='auto')
cluster = km.fit_predict(dataset[["moves"]])  # 报错行
dataset["Grupo"] = cluster
print(dataset)

报错信息：

cluster = km.fit_predict(dataset[["moves"]])
^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^
could not convert string to float

且该问题仅在使用smogon.csv时出现，其他CSV文件可正常运行。

报错原因 #

KMeans是基于数值计算的聚类算法，仅能处理数值型特征。smogon.csv中的moves列是字符串类型（比如招式名称、字符串化的招式列表等），无法直接被模型解析；而你之前使用的其他CSV中，moves列应为数值格式，因此能正常运行。

解决方法 #

根据moves列的实际数据格式，选择以下适配方案：

• 离散类别字符串：编码转换
  如果moves是离散的类别型字符串（如不同招式名称），可通过编码将其转为数值：

  # 标签编码（适合有序类别，需注意模型会默认类别有顺序）
  from sklearn.preprocessing import LabelEncoder
  le = LabelEncoder()
  dataset["moves_encoded"] = le.fit_transform(dataset["moves"])
  cluster = km.fit_predict(dataset[["moves_encoded"]])
  

  # 独热编码（适合无序类别，避免模型误判类别顺序）
  dataset_encoded = pd.get_dummies(dataset, columns=["moves"])
  cluster = km.fit_predict(dataset_encoded)
  

• 含数值的字符串：提取数值
  如果moves是包含数值的结构化字符串（如"招式A,150,20"这类格式），可直接提取其中的数值部分：

  # 示例：假设字符串用逗号分隔，提取第二个数值字段
  dataset["moves_num"] = dataset["moves"].apply(lambda x: float(x.split(",")[1]))
  cluster = km.fit_predict(dataset[["moves_num"]])
  

• 文本类字符串：向量化转换
  如果moves是自由文本或多招式组合文本，可通过文本向量化工具转为数值向量：

  from sklearn.feature_extraction.text import TfidfVectorizer
  tfidf = TfidfVectorizer()
  # 将文本转为TF-IDF向量
  moves_vector = tfidf.fit_transform(dataset["moves"])
  cluster = km.fit_predict(moves_vector.toarray())
  

内容的提问来源于stack exchange，提问作者yoryi