Python构建线性回归模型拟合时报ValueError：无法将字符串转换为float

报错根因 #

线性回归属于scikit-learn的数值计算类模型，要求输入的特征矩阵所有值都为数值类型，你已经确认标签Rating是浮点型，因此问题出在输入特征X_train中存在字符串类型的内容，模型无法将字符串GAME自动转换为可计算的浮点数值，因此抛出该错误。

排查步骤 #

• 第一步：检查所有特征列的数据类型，定位字符串类型列
  运行代码：

  print(X_train.dtypes)
  

  输出结果中类型为object的列，就是包含字符串内容的可疑列。
• 第二步：定位包含GAME值的具体列
  运行代码：

  for col in X_train.columns:
      if 'GAME' in X_train[col].astype(str).values:
          print(f"包含异常字符串的列：{col}")
  

• 第三步：确认该列的业务属性，判断是正常分类特征还是异常脏数据
  运行代码查看该列的取值分布：

  print(X_train[你定位到的列名].value_counts())
  

对应解决方法 #

情况1：该列为正常分类特征（如内容类别、产品类型等离散分类属性） #

根据取值数量选择编码方式：

• 取值数量小于10种：使用独热编码，避免标签编码引入的数值大小优先级干扰
  训练集处理代码：

  X_train = pd.get_dummies(X_train, columns=[你定位到的列名], drop_first=True)
  

  测试集必须使用和训练集完全一致的编码规则，不要单独对测试集执行get_dummies，避免出现维度不匹配的问题。
• 取值数量大于等于10种：使用标签编码减少特征维度
  训练集处理代码：

  from sklearn.preprocessing import LabelEncoder
  le = LabelEncoder()
  X_train[你定位到的列名] = le.fit_transform(X_train[你定位到的列名])
  

  测试集处理代码：

  X_test[你定位到的列名] = le.transform(X_test[你定位到的列名])
  

情况2：该列为异常脏数据（本该是数值的列混入了'GAME'这类异常值） #

两种处理方案二选一：

• 删除异常行：同步删除特征和标签中对应位置的行

  # 过滤异常行
  X_train = X_train[X_train[你定位到的列名].astype(str) != 'GAME'].reset_index(drop=True)
  # 同步过滤标签
  y_train = y_train[y_train.index.isin(X_train.index)].reset_index(drop=True)
  

• 替换异常值后填充：将字符串异常值转为空值，再用均值/中位数填充

  # 转数值，异常值转为空值
  X_train[你定位到的列名] = pd.to_numeric(X_train[你定位到的列名], errors='coerce')
  # 用列均值填充空值，也可替换为median()用中位数填充
  X_train[你定位到的列名] = X_train[你定位到的列名].fillna(X_train[你定位到的列名].mean())
  

  测试集需要做完全相同的替换和填充操作。

内容的提问来源于stack exchange，提问作者Dan