StandardScaler.fit_transform缩放数据报ValueError如何解决

运行标准化代码时触发如下报错：

ValueError: could not convert string to float: 'INLAND'

• 核心原因是StandardScaler仅支持数值型输入，你读取的数据集里存在取值为INLAND这类字符串的分类特征列，未做编码转换直接传入标准化工具就会触发类型转换错误。

LabelEncoder的作用是将单列的字符串分类值映射为从0开始的连续整数，注意它仅支持一维数组输入，不能直接传入整个DataFrame，需要逐列处理，修正后的可运行代码如下：

import pandas as pd
from sklearn.preprocessing import StandardScaler, LabelEncoder

# 读取目标数据集
housing_feature_engineered = pd.read_csv("todaytest.csv")

# 筛选出所有存储字符串的对象类型列
category_columns = housing_feature_engineered.select_dtypes(include="object").columns

# 逐列执行标签编码
encoder = LabelEncoder()
for col in category_columns:
    housing_feature_engineered[col] = encoder.fit_transform(housing_feature_engineered[col])

# 分类特征编码完成后再执行标准化
scaler = StandardScaler()
housing_scaled = scaler.fit_transform(housing_feature_engineered)
housing_scaled

• 使用提示：如果你的分类特征取值没有天然顺序关系（比如INLAND这类区位标签、品类标签），LabelEncoder生成的整数会人为引入大小关系，可能误导后续模型学习到错误规律，这类场景更建议换用OneHotEncoder做独热编码。
• 编码前建议先检查分类列是否存在缺失值，LabelEncoder无法直接处理空值，需要先对空值做填充或者删除对应行/列再执行编码。

内容的提问来源于stack exchange，提问作者Sean