sklearn绘制RocCurve报错str与int无法比较的问题求解

这个TypeError本质是参与大小比较的值类型不统一：roc_curve内部会遍历阈值对真实标签、预测得分做布尔判断，只要传入的y_true真实标签数组里混入了字符串类型值就会触发报错，和模型、预处理逻辑的算法本身无关，基本都是数据拆分、列筛选环节的疏漏导致的。

• 第一步先核查roc_curve入参的真实标签：直接执行print(y_test.dtype, set(y_test))，如果输出类型不是int/float、集合里出现字符串值，就说明标签被污染了。

  最高发的错误：构造特征矩阵X时没有剔除目标列PRZYPADKOWE_CZY_CELOWE，甚至把用户ID、备注这类纯文本非特征列放进了特征集，导致列筛选、预处理环节特征和标签错位，最终y_test里混入字符串。

• 第二步核查列选择器的筛选范围：不要直接用默认规则全量扫列，显式指定排除非特征字段，避免把不该进模型的列捞进去：

  from sklearn.compose import make_column_selector
  import numpy as np
  # 显式筛选数值列，排除非特征字段
  num_selector = make_column_selector(dtype_include=np.number, exclude=['PRZYPADKOWE_CZY_CELOWE'])
  # 显式筛选类别列，排除非特征字段
  cat_selector = make_column_selector(dtype_include=object, exclude=['PRZYPADKOWE_CZY_CELOWE'])
  

• 第三步核查decision_function的输出：执行print(y_score.shape, y_score.dtype)，正常应该是长度和测试集样本数一致的一维浮点数组，如果形状和测试集样本数对不上，说明前面Pipeline输入的特征维度错误，一定混了多余列。

import pandas as pd
import numpy as np
from sklearn.model_selection import train_test_split
from sklearn.compose import ColumnTransformer, make_column_selector
from sklearn.preprocessing import OneHotEncoder, StandardScaler
from sklearn.linear_model import LogisticRegression
from sklearn.pipeline import make_pipeline
from sklearn.metrics import roc_curve, RocCurveDisplay

# 1. 显式拆分特征和标签，必须drop目标列
X = df.drop(columns=['PRZYPADKOWE_CZY_CELOWE'])
y = df['PRZYPADKOWE_CZY_CELOWE'].astype(int) # 强制转整数，避免隐式类型转换

# 2. 拆分数据集，分层抽样保证标签分布一致
X_train, X_test, y_train, y_test = train_test_split(
    X, y, test_size=0.2, random_state=42, stratify=y
)

# 3. 配置预处理逻辑
preprocessor = ColumnTransformer(
    transformers=[
        ('num', StandardScaler(), make_column_selector(dtype_include=np.number)),
        ('cat', OneHotEncoder(handle_unknown='ignore'), make_column_selector(dtype_include=object))
    ]
)

# 4. 构建端到端Pipeline
model = make_pipeline(
    preprocessor,
    LogisticRegression(max_iter=1000, random_state=42)
)

# 5. 训练、计算预测得分
model.fit(X_train, y_train)
y_score = model.decision_function(X_test)

# 6. 计算ROC指标并绘图
fpr, tpr, thresholds = roc_curve(y_true=y_test, y_score=y_score, pos_label=1)
RocCurveDisplay(fpr=fpr, tpr=tpr).plot()

• 数值列存在隐式字符串缺失值（比如填了'N/A'、'缺失'这类字符串），导致列类型被识别为object，被OneHotEncoder编码后特征维度错位，需要先对数值列做类型清洗，把非法字符串值替换为np.nan后再做缺失值填充。
• 调用roc_curve时没有按参数顺序传值，把y_score和y_true位置写反，导致函数拿字符串类型的标签数组和阈值做大小比较触发报错。

内容的提问来源于stack exchange，提问作者PawelKinczyk