使用zip()的Python列表推导式报错：numpy.float64无法解析为整数（numpy1.14.2）

这个错误我之前也碰到过，结合你的代码片段和使用的numpy 1.14.2版本，问题大概率出在AdaBoost函数的M参数（弱学习器的数量）类型上——它被当成了numpy.float64类型，但后续代码里用到了需要整数的场景（比如循环次数、数组长度），而numpy 1.14.2对类型的隐式转换限制比较严格，所以抛出了这个错误。下面给你具体的解决思路：

核心解决方案步骤 #

1. 确保传入的M是整数类型 #

调用AdaBoost函数时，直接传入整数，而不是浮点数：

# 示例：传入整数10作为弱学习器数量
AdaBoost(y_train, X_train, y_test, X_test, M=10, clf=DecisionTreeClassifier(max_depth=1))

如果M是通过计算得到的浮点数（比如从配置文件或其他逻辑生成），先显式转换为整数：

# 假设M是计算得到的numpy.float64类型
M = np.int_(your_calculated_M)
# 或者用Python内置int转换
M = int(your_calculated_M)

⚠️ 注意：如果M带有小数部分（比如10.5），转换会直接截断小数，所以要确保你的业务逻辑里M应该是整数。

2. 在AdaBoost函数内部添加类型校验/转换 #

为了避免调用时的疏忽，可以在函数开头就把M转为整数：

def AdaBoost(y_train, X_train, y_test, X_test, M, clf):
    # 先将M转换为整数，避免类型错误
    M = int(M)
    # 后续的初始化和循环逻辑
    w = np.ones(len(y_train)) / len(y_train)
    pred_train = np.zeros(len(y_train))
    pred_test = np.zeros(len(y_test))
    
    # 循环训练M个弱分类器
    for m in range(M):
        # ... 你的弱分类器训练、权重更新等代码

这样不管传入的是float还是numpy.float64，都会被转为整数，避免range(M)这类操作报错。

3. 可选：升级numpy版本（不优先推荐） #

numpy 1.14.2是比较老的版本，后续新版本（比如1.21及以上）对这类类型隐式转换的处理更灵活，可能不会触发这个错误。但更推荐从代码逻辑上修复，因为确保参数类型符合预期是更规范的编程习惯，也能避免其他潜在问题。

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