运行Python Pandas中Standard Scaler相关代码报错如何排查解决

报错根因定位 #

结合代码和报错信息，按出现优先级排序，问题点如下：

• 多列选取语法错误
  代码中选取多列的写法df["age", "income", "score"]不符合Pandas语法规则，选取多列时必须传入列名构成的列表，即需要使用两层方括号，错误写法会直接触发KeyError。
• 待处理列存在非数值内容
  StandardScaler仅支持数值型输入，如果目标列混入字符串、特殊符号等非数值内容，会触发浮点转换失败的ValueError。
• 数据集存在缺失值
  目标列包含NaN/空值时，StandardScaler计算均值、标准差的逻辑会直接中断报错。

修复步骤 #

1. 先修正列选取语法，同时提前做数据类型转换和缺失值处理，再执行标准化：

import pandas as pd
from sklearn.preprocessing import StandardScaler

df = pd.read_csv("data.csv")
scaler = StandardScaler()
# 统一声明要处理的目标列，避免重复写列名出错
target_columns = ["age", "income", "score"]

# 把目标列强制转为数值类型，无法转换的非法内容标记为缺失值
df[target_columns] = df[target_columns].apply(pd.to_numeric, errors="coerce")
# 用对应列的均值填充缺失值，也可以根据业务场景换成中位数、0等填充值
df[target_columns] = df[target_columns].fillna(df[target_columns].mean())
# 执行标准化并赋值回原DataFrame
df[target_columns] = scaler.fit_transform(df[target_columns])

2. 如果是旧版本Pandas/sklearn，赋值时出现维度不匹配报错，可以把标准化结果先转为numpy数组再赋值：

df[target_columns] = scaler.fit_transform(df[target_columns].values)

验证方法 #

执行完代码后运行print(df[target_columns].describe())，如果输出的每列均值接近0、标准差接近1，说明标准化执行成功。

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