Sklearn LabelEncoder wirft TypeError in der Art

Ich bin lernen maschinelles lernen Verwendung Titanic Datensatz von Kaggle. Ich bin mit LabelEncoder von sklearn zu transformieren text-Daten in numerische labels. Der folgende code funktioniert für "Sex" aber nicht für "Eingeschlagen".

encoder = preprocessing.LabelEncoder()
features["Sex"] = encoder.fit_transform(features["Sex"])
features["Embarked"] = encoder.fit_transform(features["Embarked"])

Dies ist der Fehler, ich habe 

Traceback (most recent call last):
  File "../src/script.py", line 20, in <module>
    features["Embarked"] = encoder.fit_transform(features["Embarked"])
  File "/opt/conda/lib/python3.6/site-packages/sklearn/preprocessing/label.py", line 131, in fit_transform
    self.classes_, y = np.unique(y, return_inverse=True)
  File "/opt/conda/lib/python3.6/site-packages/numpy/lib/arraysetops.py", line 211, in unique
    perm = ar.argsort(kind='mergesort' if return_index else 'quicksort')
TypeError: '>' not supported between instances of 'str' and 'float'

Sklearn LabelEncoder wirft TypeError in der Art

InformationsquelleAutor Bhavani Ravi | 2017-05-13
  1. 18

    Ich löste es selbst. Das problem war, dass die Besonderheit hatte, NaN-Werte. Ersetzen Sie es mit einem numerischen Wert, es wird immer noch einen Fehler auslösen, da es von verschiedenen Datentypen. So ersetzte ich es mit einem Charakter Wert

     features["Embarked"] = encoder.fit_transform(features["Embarked"].fillna('0'))
    • Ich füllte die fehlenden Werte mit 'S' an Ort und Stelle. Aber ich bekomme immer noch den Fehler.
    InformationsquelleAutor Bhavani Ravi
  2. 4

    Versuchen, diese Funktion, werden Sie brauchen, um passieren, ein Pandas Dataframe. Es wird sich mit der Art von Ihre Spalte und codieren. So müssen Sie sich nicht einmal die Mühe, die überprüfung der Typen selbst.

    def encoder(data):
'''Map the categorical variables to numbers to work with scikit learn'''
for col in data.columns:
    if data.dtypes[col] == "object":
        le = preprocessing.LabelEncoder()
        le.fit(data[col])
        data[col] = le.transform(data[col])
return data
    InformationsquelleAutor Giovanni Bruner
Schreibe einen Kommentar