如何将含列表的表格作为TensorFlow输入？解决转Tensor报错问题

报错ValueError: Failed to convert a NumPy array to a Tensor (Unsupported object type list)的核心原因是：表格中a、b、c列的元素是Python列表，转成NumPy数组后会变成object类型数组，TensorFlow无法直接将这种类型的数组转换为张量，需要先把这些列表列预处理成统一的多维数值数组。

不需要修改原始表格格式，通过以下几种预处理方式即可解决：

方法1：批量转换列表列为多维数组（固定列表长度） #

假设用Pandas读取表格，先将各列的列表转为NumPy数组，再合并成输入张量：

import pandas as pd
import numpy as np
import tensorflow as tf

# 读取表格数据
df = pd.read_csv("your_table.csv")

# 定义转换函数：将字符串/列表转为数值数组
def convert_to_array(item):
    if isinstance(item, str):
        return np.array(eval(item), dtype=np.float32)
    return np.array(item, dtype=np.float32)

# 处理a、b、c列
for col in ['a', 'b', 'c']:
    df[col] = df[col].apply(convert_to_array)

# 合并特征列，生成形状为(样本数, 3, 3)的输入数组
features = np.stack([df['a'], df['b'], df['c']], axis=1)
# 转为TensorFlow张量
input_tensor = tf.convert_to_tensor(features)

方法2：使用Ragged Tensor处理可变长度列表 #

如果表格中列表的长度不固定，可使用TensorFlow的Ragged Tensor兼容这种结构：

import pandas as pd
import tensorflow as tf

df = pd.read_csv("your_table.csv")

# 提取各列的列表数据（如果是字符串形式需先eval）
a_data = [eval(item) if isinstance(item, str) else item for item in df['a']]
b_data = [eval(item) if isinstance(item, str) else item for item in df['b']]
c_data = [eval(item) if isinstance(item, str) else item for item in df['c']]

# 创建Ragged Tensor
ragged_input = tf.ragged.stack([
    tf.ragged.constant(a_data),
    tf.ragged.constant(b_data),
    tf.ragged.constant(c_data)
], axis=1)

# 若后续需要普通张量，确保所有列表长度一致后调用to_tensor()
# regular_input = ragged_input.to_tensor()

方法3：读取表格时直接解析列表列 #

在读取CSV阶段，通过converters参数直接将字符串形式的列表转为数组，一步完成预处理：

import pandas as pd
import numpy as np

df = pd.read_csv("your_table.csv", converters={
    'a': lambda x: np.array(eval(x), dtype=np.float32),
    'b': lambda x: np.array(eval(x), dtype=np.float32),
    'c': lambda x: np.array(eval(x), dtype=np.float32)
})

# 后续直接合并转为张量即可
features = np.stack([df['a'], df['b'], df['c']], axis=1)

若所有列表长度固定为3，推荐使用方法1或3，转换后的张量可直接作为模型输入。

内容的提问来源于stack exchange，提问作者matias perotti