为何在Python/Jupyter Notebook中无法对y_train使用np.log1p？

问题背景 #

把数据集按60-20-20比例拆分为训练、验证、测试集后，用RandomForestRegressor训练模型时，对y_train应用np.log1p报错，但直接执行np.log1p(1e-99)能正常运行。

相关代码 #

#splitting dataset into train, val, and test into 60-20-20
features = df.drop('quality', axis = 1)
labels = df['quality']

X_train, X_test, y_train, y_test = train_test_split(features, labels, test_size=0.4, random_state=42)
X_test, X_val, y_test, y_val = train_test_split(X_test, y_test, test_size=0.5, random_state=42)

X_train.to_csv('train_features.csv', index=False)
X_val.to_csv('val_features.csv', index=False)
X_test.to_csv('test_features.csv', index=False)

y_train.to_csv('train_labels.csv', index=False)
y_val.to_csv('val_labels.csv', index=False)
y_test.to_csv('test_labels.csv', index=False)

from sklearn.ensemble import RandomForestRegressor
rfModel = RandomForestRegressor(n_estimators=500)
rfModel.fit(X_train, np.log1p(y_train))
preds2 = rfModel.predict(X_test)

y_train属性信息 #

执行y_train.info()结果：

count     815
unique      2
top         0
freq      704
Name: quality, dtype: int64

执行y_train.head()结果：

635     0
908     0
1578    0
245     0
1451    1
Name: quality, dtype: category
Categories (2, int64): [0 < 1]

错误信息（翻译后） #

ValueError: 无法将字符串转换为浮点数: '0'

原因分析 #

从y_train.head()的输出能看出，y_train实际是category（分类）类型——虽然info()显示底层数据类型是int64，但np.log1p处理分类类型数据时，会将其识别为字符串而非数值，因此抛出转换错误。而直接调用np.log1p(1e-99)是处理纯数值，所以不会触发报错。

解决办法 #

先把y_train转换为数值类型，再应用np.log1p，有两种可行方式：

• 方式一：用cat.codes提取分类的数值编码

  rfModel.fit(X_train, np.log1p(y_train.cat.codes))
  

• 方式二：直接转换为int类型

  rfModel.fit(X_train, np.log1p(y_train.astype(int)))
  

额外提醒：你的标签是二分类的0和1，当前用回归模型（RandomForestRegressor）可能不符合任务场景，建议根据实际需求考虑换成分类模型（比如RandomForestClassifier）。

内容的提问来源于stack exchange，提问作者hauki