Python中如何将CSV文件转为符合DecisionTreeClassifier要求的特征变量X

现有代码问题清单 #

• 生成的TestFile.csv每行包裹了方括号，pandas读取时会将整行识别为1列字符串，无法匹配14个特征的输入要求
• 特征数据中存在NaN缺失值，sklearn自带的DecisionTreeClassifier不支持直接训练含缺失值的数据集
• 未处理G1.csv的表头行（如果存在的话），会导致标签Y和特征X的样本顺序、数量不匹配
• 标签Y为字符串格式，部分场景下无法被分类器直接识别，建议转换为数值类型
• 预测输入P未做格式对齐，新版本sklearn会触发格式警告

最优实现方案（无需额外生成TestFile.csv） #

直接用pandas对原始G1.csv切片，省去中间写文件的冗余步骤，代码更简洁不易出错：

import pandas as pd
import numpy as np
from sklearn.tree import DecisionTreeClassifier
from sklearn.impute import SimpleImputer

# 读取原始文件，header=0代表第一行是表头，若文件没有表头就填header=None
df = pd.read_csv('G1.csv', header=0)

# 直接提取标签Y（第一列）和特征X（原文件第4到17列，pandas索引从0开始，对应列索引3到16）
Y = df.iloc[:, 0].values
X_raw = df.iloc[:, 3:17].values

# 处理缺失值，这里用均值填充，也可替换为'median'（中位数）、'constant'（固定值）等策略
imputer = SimpleImputer(strategy='mean')
X = imputer.fit_transform(X_raw)

# 训练模型
clf = DecisionTreeClassifier()
clf.fit(X, Y)

# 待预测样本处理，同步做缺失值填充
P = [[2.94008,3.03106,-9.70609,6.09667,6.51713,0.0900986,np.nan,np.nan,np.nan,0.792683,-1.70732,-1.82927,1008.96,31.54]]
P_processed = imputer.transform(P)

# 输出预测结果
print(f"\n1) 使用决策树的预测结果为 {str(clf.predict(P_processed)[0])}")

*注：如果缺失样本占比很低，也可以直接删除含缺失值的样本，无需填充，注意删除特征行时要同步删除对应位置的标签，保证样本对齐。

如果你一定要用已生成的TestFile.csv #

可以用以下代码读取并处理你现有的带方括号的TestFile.csv：

import ast
import numpy as np

# 逐行解析带方括号的TestFile.csv
X_list = []
with open('TestFile.csv', 'r') as f:
    for line in f:
        # 去掉换行符后安全解析字符串为数值列表
        row = ast.literal_eval(line.strip())
        X_list.append(row)
X_raw = np.array(X_list, dtype=np.float64)
# 后续缺失值处理、训练步骤和上述最优方案的对应部分一致

内容的提问来源于stack exchange，提问作者raideR49