使用sklearn MinMaxScaler遇字符串转浮点数错误，求排查方案

嘿，我一眼就看到两个关键问题导致了你这个报错，咱们一个个来解决：

1. 直接触发报错的核心原因：把变量名当成字符串传入了 #

你在执行scaler.fit_transform('X_train')的时候，给X_train加了单引号——这就把原本的特征变量变成了一个字符串字面量'X_train'。MinMaxScaler自然没法把这个纯字符串转换成浮点型，这就是你看到ValueError: could not convert string to float: 'X_train'的根本原因。

解决方法：去掉引号，直接传入变量本身：

X_train = scaler.fit_transform(X_train)

2. 隐藏的潜在问题：X的赋值逻辑错误 #

看你代码里X的定义：

X=df.drop('p0',axis=1).values
X=df.drop('p9',axis=1).values

这里存在两个明显问题：

• 重复赋值X，第一次drop('p0')的操作被完全覆盖了，而且你的数据里根本没有p0列，这行代码完全无效；
• 你提到已经排除了Data列（datetime类型），但代码里没有处理这一列，导致X里可能包含了Data这个非数值列——就算解决了引号问题，后续还是会因为datetime类型无法缩放而报错。

正确的X赋值方式：先排除Data列，再去掉目标变量p9，得到纯数值的特征矩阵：

# 先排除非数值的Data列，再去掉目标变量p9
X = df.drop(['Data', 'p9'], axis=1).values
y = df['p9'].values

修正后的完整代码 #

from sklearn.model_selection import train_test_split
from sklearn.preprocessing import MinMaxScaler

# 正确定义特征和目标变量，确保只保留数值型特征
X = df.drop(['Data', 'p9'], axis=1).values
y = df['p9'].values

# 划分训练集与测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=101)

# 初始化缩放器，训练并转换训练集（注意不要给变量加引号）
scaler = MinMaxScaler()
X_train = scaler.fit_transform(X_train)
# 测试集只做转换，不要重新fit
X_test = scaler.transform(X_test)

内容的提问来源于stack exchange，提问作者IARC