使用scikit-learn和pandas实现决策树时遇ValueError报错求助

这个错误主要来自两个核心问题，咱们一步步拆解解决：

问题1：引入了无关特征CustomerID #

CustomerID只是用户的唯一标识符，和你的分类目标Class没有任何逻辑关联，把它放进特征列表里不仅对模型训练毫无帮助，还可能因为数据类型识别问题（比如CSV读取时被识别为字符串）触发转换错误——本质上它根本不该作为特征参与训练。

问题2：类别型字符串特征未做数值编码 #

scikit-learn的所有模型（包括决策树）只能处理数值型数据，但你的特征Gender、Car Type、Shirt Size都是字符串格式的类别特征，直接传入模型就会触发"字符串转浮点数失败"的错误。

修正后的完整代码 #

import pandas as pd
from sklearn.tree import DecisionTreeClassifier
from sklearn.model_selection import train_test_split
from sklearn import metrics

col_names=['CustomerID','Gender','Car Type', 'Shirt Size','Class']
# 用原始字符串处理Windows路径，避免转义问题；同时跳过原数据集的表头行
pima=pd.read_csv(r"F:\Current semster courses\Machine Learning\ML_A1_Fall2019\Q2_dataset.csv",header=None, names=col_names, skiprows=1)

# 1. 移除无关的CustomerID，只保留有意义的类别特征
feature_cols=['Gender','Car Type', 'Shirt Size']
X=pima[feature_cols]
y=pima.Class

# 2. 对类别型特征做独热编码，转换成模型可识别的数值型数据
X_encoded = pd.get_dummies(X, columns=feature_cols)

# 3. 拆分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X_encoded, y, test_size=0.3, random_state=1)

# 4. 训练并评估决策树模型
clf = DecisionTreeClassifier()
clf = clf.fit(X_train,y_train)
y_pred = clf.predict(X_test)
print("Accuracy:",metrics.accuracy_score(y_test, y_pred))

关键改动说明 #

• 移除无关特征：从feature_cols中删掉CustomerID，消除无效特征带来的干扰。
• 修正CSV读取逻辑：你的数据集本身带表头行，代码里设置了header=None，所以需要用skiprows=1跳过原表头，避免把表头当作数据行读取。
• 独热编码转换：用pd.get_dummies()把每个类别特征的不同取值转换成二进制列（比如Gender会拆成Gender_F和Gender_M），让模型能处理数值型输入。
• 路径转义处理：给文件路径加上r前缀变成原始字符串，避免Windows路径中的反斜杠被识别为转义字符。

这样修改后，模型就能正常完成训练和预测了！

内容的提问来源于stack exchange，提问作者Ahmer Mehmood