simpleimputer不能处理我的数据
simpleimputer是一个用于数据预处理的工具，它主要用于处理缺失值。当数据集中存在缺失值时，simpleimputer可以帮助我们将缺失值填充为指定的值或者通过一定的策略进行填充。
simpleimputer的分类：
- 均值填充（mean）：使用特征列的均值填充缺失值。
- 中位数填充（median）：使用特征列的中位数填充缺失值。
- 众数填充（most_frequent）：使用特征列的众数填充缺失值。
- 常数填充（constant）：使用指定的常数填充缺失值。
simpleimputer的优势：
- 简单易用：simpleimputer提供了简单的API，方便用户进行数据预处理。
- 灵活性：simpleimputer支持多种填充策略，用户可以根据实际情况选择合适的策略。
- 高效性：simpleimputer使用优化的算法实现，能够快速处理大规模数据集。
simpleimputer的应用场景：
- 数据清洗：在数据清洗过程中，经常会遇到缺失值的情况，simpleimputer可以帮助我们处理这些缺失值，使得数据更加完整。
- 特征工程：在特征工程中，我们可能需要对缺失值进行填充，以便后续的特征处理和建模工作。
腾讯云相关产品和产品介绍链接地址：
- 腾讯云机器学习平台（https://cloud.tencent.com/product/tcml）
- 腾讯云数据处理平台（https://cloud.tencent.com/product/dp）
- 腾讯云人工智能平台（https://cloud.tencent.com/product/ai）
- 腾讯云数据库（https://cloud.tencent.com/product/cdb）
- 腾讯云服务器（https://cloud.tencent.com/product/cvm）
请注意，以上链接仅供参考，具体产品选择应根据实际需求进行评估和决策。
相关·内容
我试图创建一个处理数字、分类和文本变量的管道。在运行分类器之前，我希望将数据输出到一个新的数据格式中。我得到了以下错误
ValueError: all the input array dimensions for the concatenation axis must match exactly, but along dimension 0, the array at index 0 has size 2499 and the array at index 2 has size 1.
请注意，2499是我的培训数据的大小。如果我删除管道中的text_preprocessing部分，我的代码
浏览 0提问于2020-06-15得票数 2
回答已采纳
1回答
我想要OneHotEncode一个缺少values.When的pd.DataFrame --我尝试使用OneHotEncode，它会引发一个关于缺少值的错误。
ValueError:输入包含NaN
当我尝试使用SimpleImputer修复缺失的值时，它会引发一个有关分类数据的错误。
ValueError:无法对非数字数据使用均值策略:无法将字符串转换为浮动：“RH”
我不能应用OneHotEncoding是因为缺少值，SimpleImputer是因为分类数据。除了丢弃列或行之外，还有什么方法可以绕过这个问题吗？
浏览 3提问于2020-08-05得票数 0
回答已采纳
我正在处理1个数据集，以训练我导入的数据集 from sklearn.impute import SimpleImputer
imputer = SimpleImputer(missing_values=np.nan, strategy='mean') 安装，安装 from sklearn.impute import Imputer 但是我得到了一个错误 TypeError Traceback (most recent call last)
<ipython-input-15-b03cc58fb96b>
浏览 72提问于2020-09-23得票数 0
2回答
在我的数据集中，其中一列是布尔值，并且在数据集中和其他连续变量列中有缺失值，这些值被成功地替换为它们的平均值。但是均值不能代替缺失的布尔值。那么如何替换这些值呢？
请注意，在我的数据集中，布尔值是1或0。
下面是替换连续缺失值的代码：
from sklearn.impute import SimpleImputer
imputer = SimpleImputer(missing_values=np.nan, strategy='mean')
imputer.fit(x)
x = imputer.transform(x)
谢谢
浏览 0提问于2021-07-19得票数 3
使用sklearn SimpleImputer策略常量和使用fillna(值)有什么不同？例如：SimpleImputer(missing_values=np.nan, strategy='constant', fill_value = 0) vs df.fillna(0)即使对于策略= mean，我们也可以只使用df.fillna(df.mean)。使用simpleImputer，我们仍然需要fit_transform数据帧和更多的行。fillna是简短的代码。当我们需要使用simpleImputer而不是fillna时，会出现什么情况？simpleImputer更快吗？
浏览 1提问于2021-03-18得票数 1
1回答
我有一段代码，它是我的数据的预处理文件。一切都是正常的，直到我必须将经过预处理的数据输入到一个fit函数中，该函数接受pandas、数据帧和数组。如何将此训练数据转换为供馈送的数据帧？在pipeline.fit()函数中，数据类型是列转换器，而不是pandas df。 代码： import pandas as pd
import numpy as np
from sklearn.preprocessing import StandardScaler, OneHotEncoder
from sklearn.impute import SimpleImputer
from sklearn.com
浏览 19提问于2021-11-01得票数 0
回答已采纳
我试图使用来自SimpleImputer的sklearn.imputer处理数据集中丢失的数据，代码如下所示：
from sklearn.impute import SimpleImputer
imputer = SimpleImputer(missing_values=np.nan, strategy='mean', verbose=0)
imputer = imputer.fit(X[:,1:3])
X[:,1:3] = imputer.transform(X[:,1:3])
当执行imputer.fit行时，我得到以下TypeError：
发生了异常: TypeError
浏览 1提问于2021-01-08得票数 0
1回答
df_2是数据帧
我的代码：
from sklearn.impute import SimpleImputer
impute = SimpleImputer(missing_values=np.NaN,strategy='mean')
df_2.iloc[:,2:9] = impute.fit(df_2.iloc[:,2:9])
我有错误：
TypeError: float() argument must be a string or a number, not 'SimpleImputer'
我不知道为什么有人能帮我？
浏览 0提问于2021-08-20得票数 -1
回答已采纳
在使用SimpleImputer进行拟合后，我正在尝试打印出所有的估计值。当单独使用SimpleImputer时，我可以从实例的statistics_属性中检索它们。 这可以很好地工作： s = SimpleImputer(strategy='mean')
s.fit(df[['feature_1', 'feature_2']])
print(s.statistics_) 但是，当在管道中使用SimpleImputer时，我无法做到这一点。 这不起作用： numeric_transformer = Pipeline(steps=[
(&
浏览 52提问于2020-04-05得票数 1
回答已采纳
2回答
我试图用NaN均值策略来计算numpy值，但它删除了SimpleImputer值，我读到了如何使用它和，它根本不能处理NaN数组或python列表，有什么问题吗？解决方案是什么？
import numpy as np
from sklearn.impute import SimpleImputer
from sklearn.model_selection import train_test_split
X = np.array([[2,3,6,5,4, np.nan],[2,3,6,15,4, np.nan]])
SI = SimpleImputer(strategy='mean&
浏览 8提问于2020-02-26得票数 1
回答已采纳
我有一个数据集，我读到熊猫的数据。其中大多数是字符串列。数据数据的列结构：
['id', 'currently working', column3, column4, ....]
缺少数据的列是'currently working'。该列只包含两个值-> YES，NO，还有null值。
我在前一次学习中应用了SimpleImputer()，它位于一个包含薪水的整数列上，在该列中，我将strategy作为mean对数据集进行预处理，并替换如下所示的null。
imputer = SimpleImputer(missing_values=np.
浏览 8提问于2022-05-29得票数 0
1回答
我有一个(不平衡，二进制数据)管道模型，由两个管道(预处理和实际模型)组成。现在，我想将SimpleImputer包含到我的预处理管道中，因为我不想将它应用到所有使用ColumnTransformer的列中，但现在我发现，ColumnTransformer的性能要比sklearn管道差得多(AUC在0.93之前，而ColumnTransformer在0.7左右)。我在管道之前填充了nan值，以检查性能是否会更好(因为SimpleImputer那时不会做任何事情)，但是即使在数据中没有任何nan值，性能仍然很差。下面是代码的一部分。有人知道发生了什么或者我能改变什么吗？
from sklearn
浏览 0提问于2021-10-23得票数 1
回答已采纳
1回答
我想使用Scikit-Learn SimpleImputer在我的数据框中添加几列。我试过这样做，但没有成功。我应该如何修改我的代码？a，b，e是我想要推算的数据框中的列。 我的数据框： a b c d e
NA 39 cat gray 20
5 NA dog brown NA
7 53 cat tan 33
NA NA cat black 41
4 24 dog tan NA 我的代码： from sklearn.impute import SimpleImputer
mi
浏览 27提问于2021-10-15得票数 0
回答已采纳
当我试图推算这个数据集时，我遇到了一个问题。当我试图收集对象类项目来估算它们时，它抛出了这个错误。
TypeError：'str‘和'int’的实例之间不支持'<‘
import pandas as pd
import numpy as np
from sklearn.impute import SimpleImputer
impNumeric = SimpleImputer(missing_values=np.nan, strategy='mean')
impCategorical = SimpleImputer(missing_values=
浏览 16提问于2020-07-30得票数 0
我有以下场景： preprocess = make_column_transformer(
(SimpleImputer(strategy='constant',fill_value = 0),numeric_cols),
(ce.TargetEncoder(),['country'])
)
pipeline = make_pipeline(preprocess,XGBClassifier())
pipeline[0].get_params().keys()
dict_keys(['n_jobs', 're
浏览 35提问于2020-12-15得票数 0
我正在编写中级机器学习课程中的Kaggle笔记本"Missing Values“。我正在使用SimpleImputer对数据帧进行预处理。3列需要进行推算。我以相同的方式将SimpleImputer应用于它们中的每一个。有没有办法使用不同的策略(均值，中位数...)分别为每一列？ 这是我目前所拥有的： imputer = SimpleImputer(strategy = 'median')
imputed_X_train = pd.DataFrame(imputer.fit_transform(X_train))
imputed_X_valid = pd.DataFr
浏览 19提问于2021-01-17得票数 1
1回答
python包fancyimpute提供了几种数据填充方法。我尝试使用软归因法；但是，软归因法不提供用于测试数据集的转换方法。更准确地说，Sklearn SimpleImputer (例如下面的示例)提供了fit、transform和fit_transform方法。另一方面，SoftImpute提供了唯一的fit_transform，它允许我对训练数据进行拟合，但不会将其转换为测试集。我理解在训练集和测试集上拟合推定会导致数据从测试集泄漏到训练集。为此，我们需要适应训练，并在测试中进行转换。有没有办法将我从训练集中拟合的测试集以软推算的方式进行推算？我很感谢你的想法。 # this
浏览 18提问于2020-04-14得票数 0
我试图使用GridSearchCV来选择最佳的输入策略，但我在这样做时遇到了困难。
首先，我有一个为数字和分类列准备数据的管道-
from sklearn.compose import ColumnTransformer
from sklearn.impute import SimpleImputer
from sklearn.preprocessing import OneHotEncoder, StandardScaler
from sklearn.pipeline import Pipeline, make_pipeline
num_pipe = make_pipeline(Simpl
浏览 5提问于2022-01-27得票数 0
回答已采纳
2回答
我正在机器学习中的数据集上练习，虽然我使用了imputer类，但它给了我一个too many indices for array错误。对于这个错误，我只是查看了所有的numpy模块，但我没有任何想法来解决它。 import numpy as np
import matplotlib.pyplot as mlp
import pandas as pd
#import datasets
i_export = pd.read_csv("2018-2010_export.csv")
x=i_export.iloc[:, [0,1,3,4]].values
y=i_export.il
浏览 25提问于2019-09-24得票数 1
我在一些数据文件上使用了SimpleImputer。没有。计算的数据中的列的值小于原始数据。
cat_cols是DataFrame X_valid分类列的列表，有43个元素。
即原始DataFrame：
X_valid[cat_cols]
有146行×43列
推测的DataFrame：
cat_imputer=SimpleImputer(strategy='most_frequent')
pd.DataFrame(cat_imputer.fit_transform(X_valid[cat_cols]))
有146行×42列。
浏览 8提问于2021-12-24得票数 -1
考虑以下简单的剪短数据集：
2列：X，Y。
X和Y列都只有3个可选的类别值。
我想对这些列进行编码。
我的尝试：
import numpy as np
import pandas as pd
from sklearn.impute import SimpleImputer
from sklearn.compose import ColumnTransformer
from sklearn.preprocessing import OneHotEncoder
dataset = pd.read_csv('./forestfires.csv')
X = datas
浏览 1提问于2020-07-20得票数 0
我有一个数据集，它的分类特性表示为字符串值，我想在其中填充缺失的值。我试过使用sklearn的SimpleImputer，但与熊猫相比，完成这项任务需要花费太多的时间。这两种方法产生相同的输出。
下面是在合成数据上再现行为的代码：
import numpy as np
import pandas as pd
from sklearn.impute import SimpleImputer
lst = np.array(['a', 'b', np.nan], dtype='object')
arr = np.random.choice(lst,
浏览 0提问于2020-01-07得票数 8
回答已采纳
在试着运行这个
from sklearn.impute import SimpleImputer
imputer = SimpleImputer(missing_values ="NaN", strategy = "mean")
imputer = SimpleImputer.fit(X[:,1:3])
X[:,1:3] = SimpleImputer.transform(X[:,1:3])
我搞错了
TypeError: fit()缺少一个必需的位置参数：'X‘
但我已经提供了x，对吧？解决这个问题的办法是什么？
浏览 0提问于2019-01-19得票数 3
回答已采纳
我是编程新手，这可能是一个愚蠢的问题。我正在使用数据预处理工具方法来练习将丢失的数据输入到多个文件中。然而，我不清楚什么时候使用X.iloc[]和x[]
下面的两个例子都可以工作，但我不知道为什么
例1：
import numpy as np
import matplotlib.pyplot as plt
import pandas as pd
dataset = pd.read_csv('Data.csv')
X = dataset.iloc[:, :-1].values
y = dataset.iloc[:, -1].values
from sklearn.impute
浏览 17提问于2020-06-03得票数 0
我有下面的scikit学习管道用于一些数据预处理。
如果数据文件中有分类特性，我想提取这些特性并在SimpleImputer中运行；如果没有这样的特性(即不存在dataframe‘分类法’)，我希望它简单地“跳过”/passthrough管道，然后继续下一步。
如何做到这一点？
Pipeline ([
('extract', extract_feature(dataframe['categoricals]),
('fill', SimpleImputer(strategy='constant', fill_value='dummy
浏览 0提问于2019-09-08得票数 1
回答已采纳
我有两种不同类型的缺失值(np.nan和None)的数据，我正在尝试使用SimpleImputer来估算它们。虽然我可以在两个步骤中做到这一点，但我想知道是否有办法将其合并为一个步骤。我的代码如下： import pandas as pd
import numpy as np
from sklearn.impute import SimpleImputer
train = pd.DataFrame({
'users':[None,'John Johnson',np.nan,'John Smith','Mary Will
浏览 16提问于2019-10-04得票数 2
1回答
我正在进行许多数据转换，并使用scikit管道进行模型拟合，但我需要在转换(imputer、编码等)之后立即提取X_train和X_test，以便将其用于另一项分析。我怎么才能拿到呢？
这是我的管道：
imputer_num = SimpleImputer(strategy = 'median')
imputer_cat = SimpleImputer(strategy = 'most_frequent')
XGB = XGBClassifier()
BBC = BalancedBaggingClassifier()
BRC = BalancedRandomF
浏览 0提问于2021-10-12得票数 2
我有一些代码可以帮助我预测一些缺失的values.This是代码 from datawig import SimpleImputer
from datawig.utils import random_split
from sklearn.metrics import f1_score, classification_report
df_train, df_test = random_split(df, split_ratios=[0.8, 0.2])
# Initialize a SimpleImputer model
imputer = SimpleImputer(
input_colum
浏览 13提问于2019-05-14得票数 1
回答已采纳
我想用sklearn SimpleImputer的平均值填充np.nan值，但引发了一个valueError。
from sklearn.impute import SimpleImputer
imputer = SimpleImputer(strategy='mean')
imputer.fit(house_numeric)
浏览 24提问于2019-07-25得票数 0
我想找到最好的估算方法，以弥补丢失的数据，在科学-学习。
我有一个dataset X，我已经在X_na中创建了一个人工损坏的版本，所以我可以测量不同估算的质量。此时，我想知道是否可以使用sklearn的GridSearchCV对可能的输入版本进行搜索，比如：
imputer_pipeline = Pipeline([("imputer":SimpleImputer())]
params = [{"imputer":[SimpleImputer()]},
{"imputer":[IterativeImputer()]},
浏览 18提问于2022-09-14得票数 2
回答已采纳
我正在应用以下代码对数据集中的分类数据进行计算，然后对其进行编码：
# Encoding categorical data
# Define a Pipeline with an imputing step using SimpleImputer prior to the OneHot encoding
from sklearn.compose import ColumnTransformer
from sklearn.preprocessing import OneHotEncoder
from sklearn.impute import Simple
浏览 1提问于2020-06-16得票数 0
回答已采纳
我已经使用SimpleImputer来更改df，但是仍然存在空行。我做错什么了？
from sklearn.impute import SimpleImputer
imp = SimpleImputer(missing_values=np.nan,strategy='most_frequent')
imp.fit_transform(df)
msno.matrix(df)
浏览 1提问于2021-11-22得票数 1
回答已采纳
我试图使用SimpleImputer中的mean选项替换所有'nan‘值：
imputer = SimpleImputer(missing_values=np.nan, strategy='mean', verbose=0)
imputer = imputer.fit(X[:, 1:3])
X[:, 1:3] = imputer.transform(X[:, 1:3])
(基本上得到我的第一和第二列的平均值)但是，我需要考虑第0列(工业)的平均值。X为：
Col 0 = Industry
Col 1 = # of Employees
Col 2
浏览 4提问于2021-11-03得票数 0
SimpleImputer的fit函数中唯一的论点是：“年龄”。然而，返回的输出也适用于“工资”栏。这就是我无法理解的。
下面是我的代码(考虑到导入的所有必要库)：
from sklearn.impute import SimpleImputer
imputer = SimpleImputer(missing_values = np.nan)
imputer = imputer.fit(df[['Age']])
X[:, 1:3] = imputer.fit_transform(X[:, 1:3])
print(X)
数据集：
Country Age Sa
浏览 0提问于2020-07-13得票数 1
回答已采纳
1回答
我使用管道来转换数据和预测模型，然后我想应用SHAP。然而，当我应用它时，它返回SHAP图表非常好，但是特性的名称类似于Feature1，Feature2，等等--类似于下面的图像。
我怎样才能得到真正的特征名在shap？
我的代码：
def pipeline(categoricas_all,numericas_all, model):
encoder = OneHotEncoder() #apenas para categoricas com baixa cardinalidade
imputer_num = SimpleImputer(strategy = 'me
浏览 0提问于2021-10-13得票数 0
我尝试在csv文件上实现IsolationForest。我使用以下命令导入数据 quelle = pd.read_csv('./x.csv',delimiter=";") 它工作得很好。 csv包含字符串和NaN值， print(quelle.head)
0 1 17,1 64,64 ... 0x00000800,0x00000800 NaN 45286,4789
1 2 17,1 64,64 ... 0x00000800,0x00000800 NaN 4528
浏览 15提问于2020-07-22得票数 0
回答已采纳
1回答
我使用数字列的fillna和分类列的SimpleImputer将值输入到数据帧中。问题是，当我运行以下代码时，我注意到我的所有功能都是绝对的。 X = X.fillna(X.mean())
X_test = X_test.fillna(X_test.mean())
object_imputer = SimpleImputer(strategy="most_frequent")
X_temp = pd.DataFrame(object_imputer.fit_transform(X))
X_temp_test = pd.DataFrame(object_imputer.fit
浏览 23提问于2021-10-04得票数 0
回答已采纳
1回答
我工作的开发环境不足以处理我的多维数据集中的所有数据。它不断地拉低我的开发箱。我在自己的IT中有开放的门票，所以我不会问这个问题。
我在DSV中添加了筛选器来限制处理的数据量，但现在我只想更新多维数据集中的元数据，以便下次处理多维数据集时使用新的DSV定义。
这个是可能的吗？
浏览 0提问于2012-06-13得票数 0
回答已采纳
imp = SimpleImputer(missing_values=np.nan, strategy='most_frequent')
weather_test = imp.fit_transform(weather_test) 当weather_test是一个熊猫数据帧时，上面的代码在google colab中抛出错误。但是，当我将weather_test更改为numpy数组时，它可以工作。 imp = SimpleImputer(missing_values=np.nan, strategy='most_frequent', verbose=0)
wea
浏览 15提问于2020-01-09得票数 0
我对scikit有问题--学习如何将数据转换为numpy数组。
例如，下面的代码
from sklearn.impute import SimpleImputer
import pandas as pd
df = pd.DataFrame(dict(
x=[1, 2, np.nan],
y=[2, np.nan, 0]
))
SimpleImputer().fit_transform(df)
返回
array([[1. , 2. ],
[2. , 1. ],
[1.5, 0. ]])
是否有一种方法可以使用返回熊猫数据的计算机，而不是一个数字数组
浏览 0提问于2020-06-04得票数 7
回答已采纳
我试着：
from sklearn.preprocessing import SimpleImputer
imp = SimpleImputer()
imputed = pd.DataFrame()
imp.fit_transform(Final_df201911)
但是我得到了错误: ImportError:无法导入名称'SimpleImputer‘
所以我做了：
conda update anaconda
它做所有的下载，但接着说，(在anaconda终端)：
Executing transaction: failed
ERROR conda.core.link:_execu
浏览 6提问于2019-12-13得票数 2
输入包含NaN、无穷大或对于dtype('float64')来说太大的值--我首先导入数据集，然后将其归责，但它会阻塞！
import matplotlib.pyplot as plt
import numpy as np
import pandas as pd
dataset = pd.read_csv('Data.csv')
x = dataset.iloc[:, :-1].values
y = dataset.iloc[:, 3].values
from sklearn.impute import
浏览 2提问于2020-06-16得票数 0
我正在尝试对虹膜数据集执行预处理，但在补偿步骤中，我在使用SimpleImputer打印每列的平均值时遇到此错误。
下面是完整的代码以供参考。我得到了最后一部分的错误。
import numpy as np
from sklearn.datasets import load_iris
from sklearn import preprocessing
iris = load_iris()
X = iris.data
iris_normalized = preprocessing.normalize(iris.datadata,norm='l2')
print(iris_nor
浏览 1提问于2021-03-07得票数 1
我想用sklearn计算机实现一个客户转换器，例如sklearn.base.SimpleImputer。 输出应该是数据帧， 我有以下代码，但不确定这是否正确 class DFSimpleImputer(TransformerMixin):
def __init__(self, *args, **kwargs):
self.imp = SimpleImputer(*args, **kwargs)
def fit(self, X, y=None, **fit_params):
self.imp.fit(X)
return self
def transform(se
浏览 40提问于2019-08-29得票数 0
回答已采纳
我正在对泰坦尼克号的数据集进行预处理，以便对其进行一些回归。在这种情况下，训练和测试集中的"Age“列只填充了每个集合中大约80%的行。
我希望使用SimpleImputer (来自sklearn.impute导入SimpleImputer)来填充这些列中缺少的值，而不是只删除没有“年龄”的行。
对于处理数字数据的'method‘参数，SimpleImputer有三个选项。这些是均值、中值和最频繁(模式)。(也可以选择使用自定义值，但因为我试图避免将值“打包”，所以我不想使用此选项。)
在最基本的情况下，我的方法将涉及手动设置所需的数据集。我必须在每个训练和测试数据集上运行每种
浏览 25提问于2021-06-07得票数 1
from sklearn.impute import SimpleImputer
imputer = SimpleImputer(missing_values= np.NaN, strategy='most_frequent')
imputer = imputer.fit(cat_vars[:,2:4])
cat_vars[:,2:4] = imputer.transform(cat_vars[:,2:4])
上面是我的代码，用于用列索引中最常见的值替换丢失的值，从2开始到3。请建议为什么会出现此错误。提前谢谢。
TypeError
浏览 0提问于2021-11-28得票数 0
回答已采纳
我有一条这样的管道：
categorical_transformer = Pipeline(steps=[
('categorical_imputer', SimpleImputer(strategy="constant", fill_value='Unknown')),
('encoder', OneHotEncoder(handle_unknown='ignore'))
])
fill_na_zero_transformer = Pipeline(steps=[
('zero_
浏览 4提问于2022-08-04得票数 1
回答已采纳
2回答
我正在处理泰坦尼克号数据集，我希望处理管道上的所有预处理活动。下面是我的代码：
获取数据集
!wget "https://calmcode.io/datasets/titanic.csv"
然后阅读如下：
import numpy as np
import pandas as pd
from sklearn.preprocessing import MinMaxScaler, OneHotEncoder
from sklearn.pipeline import Pipeline
from sklearn.impute import SimpleImputer
dt = pd
浏览 4提问于2022-01-23得票数 0
我的代码：
from sklearn.impute import SimpleImputer
fill_values=SimpleImputer(missing_values=0,strategy='mean')
X_train=fill_values.fit(X_train)
X_test=fill_values.fit(X_test)
imp_X_train=fill_values.transform(X_train)
imp_X_test=fill_values.trainsform(X_test)
给出错误：
TypeError: float() argument
浏览 0提问于2019-09-25得票数 1
我需要对测试集上的分类值进行编码，但不知何故它抛出了TypeError: argument must be a string or number。我不知道为什么会发生这种情况，因为我可以在我的火车上这样做。我的意思是，它们是训练/测试功能集，所以它们是完全相同的，区别在于它们的行数。我不知道如何修复这个问题，我已经尝试使用不同的LabelEncoder，但仍然不能修复错误。请谁来帮帮我。
供您参考，分类数据位于训练和测试要素集中的第8列
import pandas as pd
import seaborn as sns
import numpy as np
import matplotlib.
浏览 15提问于2020-03-13得票数 0
回答已采纳
扫码
添加站长 进交流群
领取专属 10元无门槛券
手把手带您无忧上云
相关资讯
热门标签
云服务器
ICP备案
对象存储
即时通信 IM
实时音视频活动推荐
腾讯云开发者
