从零搭建多分类神经网络 One-hot自定义函数报字符串拼接错误

报错根因 #

你遇到的can only concatenate str (not "int") to str错误，触发点在原函数的Y.max() +1代码行：

• 该代码默认参数Y是存储整数类别的数值型numpy数组，但实际传入的Y包含字符串类型的标签值
• 当Y为字符串数组时，Y.max()会返回字典序排序后的字符串类型最大值，此时直接对字符串做加整数的运算，就会直接触发类型不匹配的报错，和报错堆栈完全对应。

原函数的核心逻辑在输入为连续整数标签的场景下是可正常运行的，问题完全来自输入数据类型和函数预期的不匹配。

修复方案 #

调整函数逻辑，兼容字符串类标签的输入场景，同时规避非连续整数标签带来的矩阵冗余问题，修正后的函数代码如下：

import numpy as np

def one_hot(Y):
    # 统一转换输入为numpy数组，兼容列表类输入格式
    Y = np.asarray(Y)
    # 对所有类别标签做去重排序，建立标签到0起始整数的映射
    unique_classes = np.unique(Y)
    label_to_idx = {cls: idx for idx, cls in enumerate(unique_classes)}
    # 将原始标签批量转换为映射后的整数索引
    mapped_labels = np.array([label_to_idx[label] for label in Y])
    # 按照映射后的标签维度生成one-hot矩阵
    one_hot_mat = np.zeros((mapped_labels.size, len(unique_classes)))
    one_hot_mat[np.arange(mapped_labels.size), mapped_labels] = 1
    # 按照原函数的维度要求做矩阵转置，适配神经网络前向传播的形状要求
    return one_hot_mat.T

排错与注意事项 #

• 原函数仅适配输入标签为0起始连续整数的场景，如果传入的整数标签非连续（比如类别值为1、5、9），哪怕数据类型为数值，原函数生成的one-hot矩阵也会出现大量无意义的全零列，和实际类别数不匹配。修复后的版本会自动根据实际的去重类别数生成对应维度的矩阵，彻底规避该问题。
• 定位问题时可在调用函数前增加单行校验：运行print(Y.dtype)，如果输出为object或<U*这类字符串类型标识，就会触发你遇到的类型报错，必须使用上述兼容字符串标签的版本。

内容的提问来源于stack exchange，提问作者abdulrhman fuw