使用sklearn LabelEncoder触发TypeError，请求排查问题及解决方法

直接报错原因：函数无返回值导致变量被赋值为None #

你的l_e函数在修改DataFrame后没有返回任何值，默认返回None。执行train = l_e(train)后，train变量变成了None，后续尝试访问None['Sex']就会触发'NoneType' object is not subscriptable错误。

其他潜在问题 #

• LabelEncoder无法处理缺失值：你的Embarked列包含nan，LabelEncoder.fit_transform无法直接处理空值，会抛出错误。
• 复用同一个LabelEncoder实例：对Embarked和Sex使用同一个编码器，会导致编码器的类别映射被覆盖，编码逻辑混乱。

修复后的代码 #

from sklearn import preprocessing
import pandas as pd

def l_e(df):
    # 先处理Embarked列的缺失值，这里用众数填充，可按需调整
    df['Embarked'] = df['Embarked'].fillna(df['Embarked'].mode()[0])
    
    # 为每个特征创建独立的LabelEncoder，避免映射冲突
    le_sex = preprocessing.LabelEncoder()
    le_embarked = preprocessing.LabelEncoder()
    
    df['Sex'] = le_sex.fit_transform(df['Sex'])
    df['Embarked'] = le_embarked.fit_transform(df['Embarked'])
    
    # 返回修改后的DataFrame
    return df

train = l_e(train)
test = l_e(test)

train

关键说明 #

• 要么让函数返回修改后的DataFrame并重新赋值，要么直接原地修改后不执行train = l_e(train)这类赋值操作。
• 缺失值必须提前处理，除了众数填充，也可以用特定字符串标记空值（比如'Unknown'）后再编码。
• 每个特征单独使用LabelEncoder，能保证不同特征的编码映射互不干扰。

内容的提问来源于stack exchange，提问作者Ilyas