TensorFlow中‘Cast string to float is not supported’报错排查求助

嘿，我一眼就揪出问题所在了——你把注意力全放在特征列上，但其实错误根源是你的标签列sp_call是字符串类型！

看错误栈里的关键线索：

UnimplementedError: Cast string to float is not supported
[[node linear/head/ToFloat (...) = CastDstT=DT_FLOAT, SrcT=DT_STRING,...]]

这里明明白白说的是labels（也就是你的sp_call列）是字符串类型，TensorFlow的LinearClassifier在计算损失时需要把标签转成数值型，但字符串转float是不支持的操作。

另外，你的代码里还有个小笔误：特征列列表里写的是im_red，但前面定义的数值列变量名是imred，这个也会导致找不到对应的特征列，得先修正这个细节。

具体解决步骤： #

1. 先确认标签列的类型和取值
   运行下面的代码看看sp_call的真实情况：

   print(tree_data['sp_call'].dtype)
   print(tree_data['sp_call'].unique())
   

   你大概率会看到它是object类型（字符串），比如类似['classA', 'classB']这样的类别取值。

2. 将标签转换为数值型
   针对二分类任务，有两种简单的转换方式：

   • 方式一：用pandas的map手动映射（适合你知道所有类别取值的情况）

     # 假设你的标签是类似'positive'/'negative'或者两个明确的字符串类别
     labels = tree_data['sp_call'].map({'类别1': 0, '类别2': 1})
     

   • 方式二：用sklearn的LabelEncoder自动编码（适合类别较多或不确定的情况）

     from sklearn.preprocessing import LabelEncoder
     le = LabelEncoder()
     labels = le.fit_transform(tree_data['sp_call'])
     

   转换后，标签会变成0和1的整数类型，TensorFlow就能正常处理了。

3. 修正特征列的笔误
   把feat_cols = [b3_sum,im3b3_s,im_red,sp1,sp2]改成feat_cols = [b3_sum,im3b3_s,imred,sp1,sp2]，确保变量名和前面定义的一致。

修改后的完整代码示例： #

import tensorflow as tf
import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import LabelEncoder

tree_data_file = r'\\David\f\first_test_feature_cols_v2.csv'
tree_data = pd.read_csv(tree_data_file)

### Create feature columns for continuous data
b3_sum = tf.feature_column.numeric_column('b3_sum')
im3b3_s = tf.feature_column.numeric_column('im3b3_s')
imred = tf.feature_column.numeric_column('imred')

# Create feature columns for categorical data
sp1 = tf.feature_column.categorical_column_with_hash_bucket('sp1',hash_bucket_size=10)
sp2 = tf.feature_column.categorical_column_with_hash_bucket('sp2',hash_bucket_size=10)

# 修正笔误：im_red -> imred
feat_cols = [b3_sum,im3b3_s,imred,sp1,sp2]

#TRAIN TEST SPLIT
x_data = tree_data.drop('sp_call', axis=1)
# 处理标签列：将字符串转成数值
le = LabelEncoder()
labels = le.fit_transform(tree_data['sp_call'])

X_train, X_test, Y_train, Y_test = train_test_split(x_data, labels, test_size = 0.3)

input_func = tf.estimator.inputs.pandas_input_fn(x = X_train, y=Y_train, batch_size=10, num_epochs=1000, shuffle=True)
model = tf.estimator.LinearClassifier(feature_columns=feat_cols, n_classes=2)
model.train(input_fn=input_func, steps=1000)

这样应该就能解决你的问题了，下次遇到类似错误，先看错误栈里明确指出的是labels还是features，定位起来会更快~

内容的提问来源于stack exchange，提问作者D_C