Python神经网络中用map()转换类别变量为数值的报错问题

你遇到的问题很典型——内置的map()函数第一个参数需要是可调用的函数，但你直接传入了字典month_mapping，这就导致了报错，因为字典本身不是一个可以直接被map()调用的函数。另外，map()返回的是一个迭代器对象，直接print(test)只会显示迭代器的内存地址，看不到实际转换后的数据，这也是你可能会困惑的点。

下面给你几种可行的解决方法：

方法1：用lambda函数包装字典的取值逻辑 #

把字典的取值操作包装成一个lambda函数，传给map()，最后转成列表拿到结果：

month_mapping = {'jan': 1, 'feb': 2, 'mar': 3, 'apr': 4, 'may': 5, 'jun': 6, 'jul': 7, 'aug': 8, 'sep': 9, 'oct': 10, 'nov': 11, 'dec': 12}
day_mapping = {'mon': 1, 'tue': 2, 'wed': 3, 'thu': 4, 'fri': 5, 'sat': 6, 'sun': 7}

# 转换月份列，转成列表查看结果
test = list(map(lambda x: month_mapping[x], data[:, 2]))
print(test)

# 进阶：用get方法处理未知值，避免KeyError
# 如果数据里有不在映射中的值，会返回默认值0（你可以改成其他合适的数值）
test = list(map(lambda x: month_mapping.get(x, 0), data[:, 2]))

方法2：用列表推导式（更直观的Python写法） #

很多时候列表推导式比map()更易读，逻辑也更清晰：

# 转换月份列
test = [month_mapping[x] for x in data[:, 2]]
print(test)

# 同样处理未知值
test = [month_mapping.get(x, 0) for x in data[:, 2]]

方法3：用Pandas的Series.map()（推荐用于数据集预处理） #

如果你是用Pandas处理数据集（这在神经网络开发的数据预处理里非常常用），可以直接用Series自带的map()方法，一步完成整列的转换：

import pandas as pd

# 假设你的数据已经是DataFrame格式
df = pd.DataFrame(data)
# 替换月份列
df[2] = df[2].map(month_mapping)
# 替换星期列（假设星期在第3列）
df[3] = df[3].map(day_mapping)

# 查看转换后的结果
print(df[[2,3]])

这种方法不仅简洁，还能直接修改原数据列，非常适合批量处理类别变量。

额外注意事项 #

一定要检查数据中是否存在不在映射字典里的取值，比如如果有个'unknown'的月份，直接用month_mapping[x]会抛出KeyError。用get()方法设置默认值，或者提前清理异常值：

# 检查月份列的异常值
unexpected_values = set(data[:,2]) - set(month_mapping.keys())
if unexpected_values:
    print(f"发现未定义的类别值：{unexpected_values}")

内容的提问来源于stack exchange，提问作者Berkin