Kaggle汽车价格预测实操：TensorFlow转换NumPy数组报不支持int类型错误

报错核心原因 #

运行代码时触发Failed to convert a NumPy array to a Tensor (Unsupported object type int)，本质是传入模型的特征NumPy数组为混合object类型，无法直接被TensorFlow转换为可计算张量。

代码问题定位 #

• 缺失分类特征数值化预处理：所用的汽车价格数据集中包含CarName、fueltype、carbody等多列字符串类分类特征，代码未对这些字段做任何数值编码，就直接通过.values将整表转为NumPy数组，最终得到的数组dtype为object，即便数组内的数值列存储的是整数，也无法通过TensorFlow的类型校验
• 模型输入维度硬编码错误：代码中固定设置input_shape=(25,)，对应未处理的原始特征列数，既没有考虑分类特征编码后的维度变化，也因数组混合类型问题，在维度校验阶段就会连带触发类型转换报错

分步修复方案 #

1. 完成所有分类特征的数值转换：通过独热编码、整数映射等方式，将所有字符串特征转为可参与计算的数值列，消除特征中的object类型字段
2. NumPy数组转换时显式指定TensorFlow兼容的np.float32类型，从根源上避免混合类型问题
3. 取消硬编码的输入维度设置，根据实际处理完成的特征列数动态指定模型输入形状

修复参考代码 #

import numpy as np
import pandas as pd
from tensorflow.keras import layers,models

# 读取本地存储的数据集
cars_data=pd.read_csv('/content/CarPrice_Assignment.csv')
# 对所有字符串分类特征做独热编码
categorical_cols = ['CarName', 'fueltype', 'aspiration', 'doornumber', 'carbody', 
                    'drivewheel', 'enginelocation', 'enginetype', 'cylindernumber', 'fuelsystem']
cars_data = pd.get_dummies(cars_data, columns=categorical_cols)

# 拆分训练、测试、验证集，显式指定float32类型
train_data = cars_data.iloc[:103].drop('price', axis=1).values.astype(np.float32)
train_targets = cars_data.price.iloc[:103].values.astype(np.float32)
test_data = cars_data.iloc[103:165].drop('price', axis=1).values.astype(np.float32)
test_targets = cars_data.price.iloc[103:165].values.astype(np.float32)
val_data = cars_data.iloc[165:].drop('price', axis=1).values.astype(np.float32)
val_targets = cars_data.price.iloc[165:].values.astype(np.float32)

# 动态读取特征维度，避免硬编码错误
model=models.Sequential()
model.add(layers.Dense(10,activation='relu',input_shape=(train_data.shape[1],)))
model.add(layers.Dense(8,activation='relu'))
model.add(layers.Dense(6,activation='relu'))
model.add(layers.Dense(1))
model.compile(optimizer='rmsprop',loss='mse',metrics=['mae'])
model.fit(train_data,train_targets,epochs=20,batch_size=1)

实操避坑提示 #

• 不要直接将包含字符串列的DataFrame传入TensorFlow模型，这类数据转出的NumPy数组默认是object类型，必然触发张量转换报错
• 所有传入模型的特征、标签数组，统一转换为np.float32类型，和TensorFlow的默认张量类型对齐，减少不必要的类型转换报错
• 模型输入维度不要硬编码，直接从训练特征数组的shape中读取，适配不同阶段特征工程调整后的列数变化

内容的提问来源于stack exchange，提问作者Waqar Gul