Pandas逻辑回归报错“不支持字符串与非字符串混合类型”的排查求助

可能的原因 #

• 列的dtype显示为float64，但实际存在隐式混合类型：比如部分单元格是带空格的数值字符串（如' 45'）、未清理干净的特殊标记（如'#'），转换时未被彻底处理，导致列内同时存在float和string类型。
• 遗漏了字符串列：比如目标变量（存活状态）仍为字符串格式（如'Yes'/'No'），或是某些看似数值的列实际是字符串类型的数值（如'28'），未完成转换。
• 错误传入了非特征列：比如将含字符串的索引列、ID列误作为特征传入模型。

解决步骤 #

1. 深度排查数据类型与内容 #

先确认所有列的实际类型，再检查每列的具体值，找出隐藏的字符串：

# 打印所有列的dtype
print(df.dtypes)

# 遍历列，检查前10个值的实际类型
for col in df.columns:
    print(f"=== 列: {col} ===")
    for val in df[col].head(10):
        print(f"值: {repr(val)}, 类型: {type(val)}")

2. 强制数值转换并清理无效值 #

用pd.to_numeric强制转换，无法转成数值的内容转为NaN后再次清理：

# 对所有列执行数值转换，无效值转为NaN
for col in df.columns:
    df[col] = pd.to_numeric(df[col], errors='coerce')

# 移除包含NaN的行
df = df.dropna(axis=0, how='any')

# 再次确认所有列均为数值类型
print(df.dtypes)

3. 处理目标变量（若为字符串） #

如果目标列是字符串格式的分类值，转为0/1数值：

# 示例：将存活状态字符串转为数值
df['survived'] = df['survived'].replace({'存活': 1, '未存活': 0})

# 或者用LabelEncoder处理未知分类
from sklearn.preprocessing import LabelEncoder
le = LabelEncoder()
df['survived'] = le.fit_transform(df['survived'])

4. 确保传入模型的是纯数值特征矩阵 #

分离特征和目标后，验证特征矩阵的类型，再训练模型：

from sklearn.linear_model import LogisticRegression

# 分离特征(X)和目标(y)
X = df.drop('survived', axis=1)
y = df['survived']

# 验证特征矩阵全为数值类型
assert all(X.dtypes.isin(['float64', 'int64'])), "特征矩阵存在非数值列"

# 训练逻辑回归模型
model = LogisticRegression()
model.fit(X, y)

内容的提问来源于stack exchange，提问作者Archit Chawla