使用mutual_info_classif做特征选择时遇字符串转浮点错误求助

执行基于互信息的特征选择代码时，出现如下错误：

ValueError: could not convert string to float: 'Mr. Michael Hall'

使用的代码：

from sklearn.feature_selection import mutual_info_classif
mutual_info = mutual_info_classif(X_train_cat, y_train)

原因及解决办法 #

错误原因 #

mutual_info_classif 仅支持处理数值型特征，无法直接解析字符串格式的分类数据。它会默认尝试将所有输入特征转换为浮点数用于计算互信息，遇到字符串类型的分类值（比如示例中的'Mr. Michael Hall'）时，转换失败就会抛出该错误。

解决方法 #

需要先将字符串分类特征转换为数值型，常用两种编码方式：

• 标签编码（Label Encoding）
  适合处理有序分类特征（比如"低/中/高"这类有层级的类别），将每个唯一字符串映射为一个整数：

  from sklearn.preprocessing import LabelEncoder
  import pandas as pd
  
  # 对每个分类列做标签编码
  le = LabelEncoder()
  X_train_encoded = X_train_cat.apply(lambda col: le.fit_transform(col))
  # 再计算互信息
  mutual_info = mutual_info_classif(X_train_encoded, y_train)
  

• 独热编码（One-Hot Encoding）
  适合处理无序分类特征（比如姓名、城市这类无层级的类别），避免模型误判类别存在顺序关系：

  from sklearn.preprocessing import OneHotEncoder
  import pandas as pd
  
  ohe = OneHotEncoder(sparse_output=False, drop='first')  # drop='first'避免多重共线性
  X_train_ohe = ohe.fit_transform(X_train_cat)
  # 可选：转换为DataFrame保留特征名
  X_train_ohe_df = pd.DataFrame(X_train_ohe, columns=ohe.get_feature_names_out(X_train_cat.columns))
  # 计算互信息
  mutual_info = mutual_info_classif(X_train_ohe_df, y_train)
  

内容的提问来源于stack exchange，提问作者UserNameM