使用sklearn OneHotEncoder转字符串为变量时遇类型错误求助

需要使用OneHotEncoder将数据的第2、3列（如性别、地点这类字符串字段）转换为二进制编码，修改导师提供的代码后运行出现以下错误：

TypeError：Encoders require their input to be uniformly strings or numbers. Got ['float', 'str']

当前代码如下：

import numpy as np
import matplotlib.pyplot as plt
import pandas as pd
from sklearn.preprocessing import OneHotEncoder

spreadsheet = pd.read_csv('/Users/davidforsythe/Downloads/diagnose3.csv')

X = spreadsheet.iloc[:, 1:14].values

y = spreadsheet.iloc[:, -1].values

encoder = OneHotEncoder()

X2 = X[:,1:3].reshape(-1,1)

X3 = encoder.fit_transform(X2).toarray()

X = np.concatenate((X3,X[:,0:3]),axis=1)

X = X[:, 1:]

print(spreadsheet.iloc[:, 1:3])

1. 类型混合问题：待处理的第2、3列存在字符串与浮点数混合的情况，大概率是列中存在缺失值，pandas自动将列类型转为float，但仍保留字符串值，导致类型不统一。
2. 错误的reshape操作：X[:,1:3]是2列数据，用reshape(-1,1)将其压缩为1列，打乱了原有列结构的同时，让不同类型数据混在同一列，触发OneHotEncoder的类型检查机制。
3. 数据合并逻辑混乱：后续合并编码结果与原数据的代码存在索引错误，会导致重复包含原列或数据结构混乱。

以下是修正后的代码，解决了类型统一和编码逻辑问题：

import numpy as np
import pandas as pd
from sklearn.preprocessing import OneHotEncoder

# 加载数据
spreadsheet = pd.read_csv('/Users/davidforsythe/Downloads/diagnose3.csv')

# 提取特征与目标变量，用DataFrame更便于类型处理
X = spreadsheet.iloc[:, 1:14]
y = spreadsheet.iloc[:, -1].values

# 定位需要编码的第2、3列（对应DataFrame索引1和2）
cols_to_encode = [1, 2]
# 将待编码列强制转为字符串类型，统一数据类型
X[X.columns[cols_to_encode]] = X[X.columns[cols_to_encode]].astype(str)

# 初始化编码器，设置handle_unknown='ignore'避免训练集外类别报错
encoder = OneHotEncoder(sparse_output=False, handle_unknown='ignore')

# 对指定列执行编码
encoded_cols = encoder.fit_transform(X.iloc[:, cols_to_encode])
# 获取编码后的列名
encoded_col_names = encoder.get_feature_names_out(X.columns[cols_to_encode])

# 将编码结果转为DataFrame
encoded_df = pd.DataFrame(encoded_cols, columns=encoded_col_names)

# 合并编码列与原数据（剔除原待编码列）
X_processed = pd.concat([X.drop(X.columns[cols_to_encode], axis=1), encoded_df], axis=1)

# 转为numpy数组（若后续需要数组格式）
X_processed = X_processed.values

print(X_processed)

• 改用DataFrame处理特征，替代直接取values，更便于列类型调整与数据操作；
• 将待编码列强制转为str类型，彻底解决混合类型问题；
• 直接对多列编码，删除多余的reshape操作；
• 用pd.concat合并数据，避免索引混乱；
• 添加handle_unknown='ignore'参数，提升代码对未知类别的鲁棒性。

内容的提问来源于stack exchange，提问作者v4ts