线性回归模型训练报错：无法将字符串转为浮点数，求解决方案

这个报错的根源很直接：线性回归这类基于数值计算的机器学习模型，只能处理纯数值型的输入特征，你的训练数据里还存在像'City Hotel'这样的字符串类别特征，模型无法直接将其转换为浮点数进行计算，所以抛出了错误。

你需要在**数据集预处理阶段（清洗环节的延伸）**处理这些字符串特征，同时在代码中实现对应的转换逻辑——两者是结合的，不是二选一的关系。下面是具体的解决方法：

步骤1：先定位所有字符串类型的特征 #

先找出数据里所有的非数值列，避免遗漏：

# 假设你的特征集是X_train，查看所有对象类型（字符串为主）的列
print(X_train.select_dtypes(include=['object']).columns)

步骤2：根据特征类型选择编码方式 #

针对不同类型的字符串特征，用不同的编码方法转换成数值：

情况1：名义型特征（无先后顺序，比如酒店类型、城市名称） #

这类特征没有等级区分，适合用独热编码（One-Hot Encoding），每个类别生成一个二进制列：

from sklearn.preprocessing import OneHotEncoder
import pandas as pd

# 假设要处理的列是'hotel'
encoder = OneHotEncoder(sparse_output=False, drop='first')  # drop='first'避免多重共线性问题
# 训练编码器并转换训练集
encoded_train = encoder.fit_transform(X_train[['hotel']])
encoded_train_df = pd.DataFrame(encoded_train, columns=encoder.get_feature_names_out(['hotel']))
# 合并编码后的特征到原训练集
X_train_processed = pd.concat([X_train.drop('hotel', axis=1), encoded_train_df], axis=1)

# 测试集必须使用训练集的编码器转换，不能重新训练
encoded_test = encoder.transform(X_test[['hotel']])
encoded_test_df = pd.DataFrame(encoded_test, columns=encoder.get_feature_names_out(['hotel']))
X_test_processed = pd.concat([X_test.drop('hotel', axis=1), encoded_test_df], axis=1)

情况2：有序型特征（有明确先后顺序，比如评分：'低'/'中'/'高'） #

这类特征有等级关系，适合用标签编码（Label Encoding），将类别映射为连续的数值：

from sklearn.preprocessing import LabelEncoder

le = LabelEncoder()
# 训练编码器并转换训练集
X_train['grade'] = le.fit_transform(X_train['grade'])
# 测试集用相同编码器转换
X_test['grade'] = le.transform(X_test['grade'])

更高效的批量处理方式：用ColumnTransformer #

如果你的数据同时有数值和类别特征，可以用ColumnTransformer一次性完成所有预处理，避免重复操作：

from sklearn.compose import ColumnTransformer
from sklearn.preprocessing import OneHotEncoder, StandardScaler
from sklearn.linear_model import LinearRegression
from sklearn.metrics import mean_squared_error, r2_score

# 区分数值特征和类别特征
numeric_cols = X_train.select_dtypes(include=['int64', 'float64']).columns
categorical_cols = X_train.select_dtypes(include=['object']).columns

# 构建预处理管道：数值特征标准化，类别特征独热编码
preprocessor = ColumnTransformer(
    transformers=[
        ('numeric', StandardScaler(), numeric_cols),
        ('categorical', OneHotEncoder(sparse_output=False, drop='first'), categorical_cols)
    ])

# 预处理训练集和测试集
X_train_final = preprocessor.fit_transform(X_train)
X_test_final = preprocessor.transform(X_test)

# 训练模型并评估
model = LinearRegression()
model.fit(X_train_final, y_train)
predictions = model.predict(X_test_final)
print(f'MSE: {mean_squared_error(y_true=y_test, y_pred=predictions)}')
print(f'R-Squared: {r2_score(y_test, predictions)}')

总结一下：你需要在数据预处理阶段（清洗后）对字符串特征做编码转换，然后在代码中实现这些转换逻辑，再将处理后的纯数值特征喂给线性回归模型，就能解决这个报错。

内容的提问来源于stack exchange，提问作者neha c