LSTM神经网络Python代码报错求助：无法将字符串转为浮点数

问题根源 #

你遇到的ValueError: could not convert string to float: 'Component A to Reactor'本质很清晰：LSTM这类神经网络只能处理数值型输入数据，而你的Alarm_tag列是字符串类别（比如'Component A to Reactor'），直接喂给模型会触发类型转换失败。

分步解决方案 #

1. 先把字符串标签转成数值编码

首先要把所有字符串形式的标签映射成整数，每个唯一字符串对应一个唯一整数。用sklearn的LabelEncoder就能轻松完成：

import pandas as pd
import numpy as np
from sklearn.preprocessing import LabelEncoder
from keras.utils import to_categorical
from keras.models import Sequential
from keras.layers import Dense, LSTM, Embedding, TimeDistributed

# 加载数据
alarm = pd.read_excel('alarmdata.xlsx')

# 对Alarm_tag列编码：字符串→整数
le_tag = LabelEncoder()
x_encoded = le_tag.fit_transform(alarm['Alarm_tag'])

# 对Fault列编码（如果Fault也是字符串类型）
le_fault = LabelEncoder()
y_encoded = le_fault.fit_transform(alarm['Fault'])

2. 简化数据分组逻辑

你原来的循环分组代码太冗余，容易出错，直接用reshape就能完成分组：

# 将编码后的特征分成每组5个样本，刚好1261组（6305 ÷ 5 = 1261）
z = x_encoded.reshape(1261, 5)

# 处理标签：如果用categorical_crossentropy损失，需要转成one-hot编码
n_fault_classes = alarm['Fault'].nunique()
# 因为你是每组对应5个标签，所以转one-hot后形状是(1261, 5, n_fault_classes)
r = to_categorical(y_encoded.reshape(1261, 5), num_classes=n_fault_classes)

3. 修正模型的参数错误

你原来的Embedding和LSTM层参数有两处关键错误，调整后如下：

n_tag_classes = alarm['Alarm_tag'].nunique() # 唯一Alarm标签的数量，作为Embedding的输入维度
n_fault_classes = alarm['Fault'].nunique() # 故障类别数量，作为输出层单元数

model = Sequential()
# Embedding层：input_dim是唯一标签数，input_length是每组的时间步长度（5）
model.add(Embedding(input_dim=n_tag_classes, output_dim=64, input_length=5))
model.add(LSTM(32, return_sequences=True))
model.add(LSTM(16, return_sequences=True))
# 用TimeDistributed包装Dense层，让每个时间步都输出对应标签的分类结果
model.add(TimeDistributed(Dense(n_fault_classes, activation='softmax')))

model.summary()

# 编译模型：因为是one-hot编码的序列标签，用categorical_crossentropy
model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy'])
# 训练模型
model.fit(z, r, epochs=1, batch_size=5)

4. 额外注意事项

• 如果你的Fault列已经是数值型，可以跳过标签编码，但如果是多分类任务，仍需确认是否需要转one-hot；如果不想转one-hot，可以改用sparse_categorical_crossentropy损失函数，直接用整数编码的标签训练。
• 如果你实际想做的是用前5个Alarm预测1个Fault（而非序列到序列），那需要调整分组逻辑：比如取每5个Alarm_tag对应第5个Fault，此时模型最后一层不需要TimeDistributed，直接用Dense(n_fault_classes, activation='softmax')即可。

内容的提问来源于stack exchange，提问作者user12682643