Python3 SVM图像训练出现KeyError: 'NU'问题求助

看起来你在自定义SVM相关函数时踩了个典型的类型匹配坑——咱们来一步步拆解问题，搞定这个报错。

报错根源 #

你的classWiseData函数逻辑里存在一个关键矛盾：

• 你先用CLASSES = len(np.unique(labels))算出类别数是2，然后初始化了一个以数字0、1为键的字典；
• 但你的实际标签labels里存的是字符串类型（比如报错里的'NU'，还有另一类'u'）。当循环执行data[y[i]].append(x[i])时，程序试图用字符串'NU'去访问字典的键，可字典里根本没有这个键，直接触发KeyError。
• 至于sklearn的SVM能正常跑，是因为它内部自动处理了字符串标签的映射，不需要你手动做这一步。

两种可行解决方案 #

方案1：把字符串标签转成数字（推荐，适配你原有的函数逻辑） #

你可以先给字符串标签做个数字映射，让字典的键和标签类型统一。要么在调用函数前预处理标签，要么在函数内部直接处理：

方法A：在函数内部自动处理映射

修改后的classWiseData函数：

def classWiseData(x,y):
    # 获取所有唯一标签，创建字符串→数字的映射表
    unique_labels = np.unique(y)
    label_to_idx = {label: idx for idx, label in enumerate(unique_labels)}
    data = {}
    # 用数字键初始化字典
    for idx in range(len(unique_labels)):
        data[idx] = []
    for i in range(x.shape[0]):
        # 把当前标签转成数字后再作为键
        data[label_to_idx[y[i]]].append(x[i])
    for k in data.keys():
        data[k] = np.array(data[k])
    return data

方法B：提前预处理标签再传入

如果你不想改函数，也可以先把标签转成数字：

# 先做标签映射
unique_labels = np.unique(labels)
label_map = {label: idx for idx, label in enumerate(unique_labels)}
numeric_labels = np.array([label_map[label] for label in labels])

# 再调用原函数
data = classWiseData(image_data, numeric_labels)

方案2：直接用字符串标签当字典键 #

如果不想折腾类型转换，直接用原始的字符串标签作为字典的键更直观，修改后的函数如下：

def classWiseData(x,y):
    data = {}
    # 用所有唯一字符串标签初始化字典
    for label in np.unique(y):
        data[label] = []
    for i in range(x.shape[0]):
        # 直接用原始字符串标签访问字典
        data[y[i]].append(x[i])
    for k in data.keys():
        data[k] = np.array(data[k])
    return data

注意：用这个方案的话，你后续的accuracy函数里，predict方法返回的结果也得是字符串类型（和原始标签一致），不然对比的时候会出错。

验证修改 #

不管用哪种方案，修改后再调用data = classWiseData(image_data,labels)，应该就能正常生成类别字典了，后续的模型训练和准确率计算环节也不会再报错。

内容的提问来源于stack exchange，提问作者kapil kap's