将二维NumPy数组转换为TensorFlow Dataset时遇类型错误求助

这个错误的核心原因很明确：你的NumPy特征数组里包含了Python原生的Decimal类型对象，但TensorFlow的tf.data.Dataset.from_tensor_slices()只支持处理原生数值类型（比如NumPy的float32、int64等），无法直接识别Decimal对象，所以抛出了类型错误。

下面是两种简单有效的解决方法：

方法1：批量转换Decimal为NumPy浮点类型 #

可以通过列表推导或者NumPy的向量化操作，把所有Decimal元素转换成float，再重新构建成标准的浮点型NumPy数组：

import numpy as np
import tensorflow as tf
from decimal import Decimal

# 假设你的features是包含Decimal的(n,12)数组
# 方式一：列表推导逐行转换
features_float = np.array([[float(decimal_val) for decimal_val in row] for row in features], dtype=np.float32)

# 方式二：用np.vectorize简化转换（适合大规模数组）
decimal_to_float = np.vectorize(lambda x: float(x))
features_float = decimal_to_float(features).astype(np.float32)

# 现在用转换后的数组创建Dataset就没问题了
dataset = tf.data.Dataset.from_tensor_slices((features_float, labels))

方法2：从数据源阶段避免生成Decimal #

如果你的特征数据是从外部文件（比如CSV）读取的，建议在读取时直接指定解析为浮点类型，而不是Decimal。比如用pandas.read_csv()时，设置dtype参数强制指定列类型为float，从根源上避免混入Decimal：

import pandas as pd

# 读取CSV时直接指定浮点类型，跳过Decimal解析
df = pd.read_csv("your_data.csv", dtype={f"col_{i}": float for i in range(12)})
features = df.values  # 此时features是标准的float型NumPy数组

额外检查 #

虽然你提到标签是整型数组，但也可以快速确认下标签里是否混入了Decimal：

print(np.unique([type(x) for x in labels]))

如果有Decimal，同样用类似的方法转换成int即可。

内容的提问来源于stack exchange，提问作者James