类型错误：int类型对象无len()方法，求逻辑回归代码报错解决

让我们一步步拆解和修复这个问题：

报错根源分析 #

你遇到的错误是因为在使用OneHotEncoder时犯了两个关键错误：

1. 列索引错误：你的X是从数据集中提取的第16列（iloc[:,16:17]），所以X只有1列，索引为0，但你却指定了categorical_features=1——这个索引根本不存在！当OneHotEncoder尝试访问不存在的第1列时，得到的是单个int值，而它需要的是可迭代的数组，自然就抛出了object of type 'int' has no len()的错误。
2. 过时的参数用法：categorical_features这个参数在scikit-learn 0.20版本之后就被弃用了，官方推荐使用ColumnTransformer来更清晰地管理列预处理逻辑。

修正后的代码方案 #

下面是修复后的完整代码，同时采用了scikit-learn当前推荐的编码方式：

# Logistic Regression
# Importing the libraries
import numpy as np
import matplotlib.pyplot as plt
import pandas as pd
# Importing the dataset
dataset = pd.read_csv('Loan.csv')
X = dataset.iloc[:, 16: 17 ].values
y = dataset.iloc[:, 20].values
# Encoding categorical data
from sklearn.preprocessing import LabelEncoder, OneHotEncoder
from sklearn.compose import ColumnTransformer

# 对分类特征进行标签编码（如果特征是字符串类型，这一步其实可以省略，新版OneHotEncoder支持直接处理）
labelencoder = LabelEncoder()
X[:, 0] = labelencoder.fit_transform(X[:, 0])

# 使用ColumnTransformer指定要编码的列（推荐用法）
column_transformer = ColumnTransformer(
    transformers=[('one_hot_encoder', OneHotEncoder(), [0])],  # 对第0列应用独热编码
    remainder='passthrough'  # 其他列保持原样（这里没有其他列，可省略，但保留更规范）
)
# 将转换结果转为numpy数组，确保后续模型可以正常使用
X = np.array(column_transformer.fit_transform(X))

额外说明 #

• 如果你的原始特征（第16列）是字符串类型，其实可以跳过LabelEncoder这一步，新版的OneHotEncoder可以直接处理字符串形式的分类特征，简化代码。
• 使用ColumnTransformer的好处是，当你后续需要对多列应用不同预处理（比如部分列独热编码，部分列标准化）时，逻辑会更清晰，也避免了手动处理数组维度的麻烦。

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