K-means聚类报ValueError: could not convert string to float如何解决

ValueError: could not convert string to float: 'M'的触发逻辑和你判断的一致：K-means的核心是基于欧氏距离计算样本间相似度，仅支持数值型输入，直接传入字符串格式的分类变量时会自动尝试转浮点数，遇到非数值内容就会抛出该错误。

你提到的字典硬映射方案的问题确实存在：对于性别这类无序分类变量，人为给'M'、'F'分配1、0这类数值，会强行引入不存在的大小顺序，K-means计算距离时会默认数值差异代表样本差异，最终聚类结果会被人为引入的偏差扭曲，完全不具备参考性。

根据分类变量的取值数量，可选择对应处理方式：

• 低基数无序分类变量（取值数≤5，比如性别、是否违约这类）：使用独热编码转换。把原分类字段的每个取值拆分为独立的0/1二元特征，比如性别字段拆为gender_M、gender_F两个特征，男性样本对应gender_M=1, gender_F=0，女性样本则相反。这种编码方式不会引入人为顺序关系，每个分类在距离计算中的权重完全对等。
• 高基数无序分类变量（取值数>5，比如职业、城市、商品品类这类）：不要使用独热编码，否则会造成特征维度爆炸，让连续特征的距离权重被严重稀释。可以选择两种路径：
  • 使用K-prototypes算法替代K-means，该算法是专门为混合类型数据设计的聚类变体，不需要提前把分类变量转为连续数值，算法内部会单独为分类特征设计距离计算规则（分类取值一致时距离计为0，不一致时计为固定权重值）。
  • 采用无监督场景下的分类编码：先基于数据集中的连续特征做一轮预聚类，用每个分类取值下样本所属预聚类簇的占比统计值作为该分类的编码值，既保留分类和样本分布的关联，也不会引入虚假顺序。

注意：无论选择哪种编码方式，处理完分类变量后必须对所有特征做标准化（Z-score）或归一化（Min-Max）处理，避免量纲差异导致部分特征在距离计算中权重过高。

内容的提问来源于stack exchange，提问作者P.Brito