给定一个简单的 CSV 文件：
A,B,C
Hello,Hi,0
Hola,Bueno,1
显然，真实数据集比这个复杂得多，但这个数据集可以重现错误。我正在尝试构建一个随机森林分类器，代码如下：
cols = ['A','B','C']
col_types = {'A': str, 'B': str, 'C': int}
test = pd.read_csv('test.csv', dtype=col_types)
train_y = test['C'] == 1
train_x = test[cols]
clf_rf = RandomForestClassifier(n_estimators=50)
clf_rf.fit(train_x, train_y)
但是当我调用fit()函数时，我只得到了这个回溯(traceback)：
ValueError: could not convert string to float: 'Bueno'
scikit-learn的版本为0.16.1。
fit()之前，你需要进行一些编码工作。因为fit()不能接受字符串，但是你可以解决这个问题。LabelEncoder：将字符串转换为递增的值OneHotEncoder：使用一种K算法将您的字符串转换为整数LabelEncoding适用于我（基本上，您必须按特征对数据进行编码）（mydata是一个字符串数据类型的2D数组）：
myData=np.genfromtxt(filecsv, delimiter=",", dtype ="|a20" ,skip_header=1);
from sklearn import preprocessing
le = preprocessing.LabelEncoder()
for i in range(*NUMBER OF FEATURES*):
myData[:,i] = le.fit_transform(myData[:,i])
train_x = test[cols]：train_x = pandas.get_dummies(test[cols])
这将把train_x数据框转换为RandomForestClassifier可接受的以下形式:
C A_Hello A_Hola B_Bueno B_Hi
0 0 1 0 0 1
1 1 0 1 1 0
您不能将str传递给模型的fit()方法。如此处所述。
训练输入样本。内部将转换为
dtype=np.float32，如果提供了稀疏矩阵，则为稀疏csc_matrix。
尝试将数据转换为浮点数，并尝试使用LabelEncoder。
您不能使用 str 来适应这种类型的分类器。
例如，如果您有一个名为'grade'的特征列，其中有3个不同的等级：
A、B 和 C。
您必须通过编码器将这些 str "A"、"B"、"C" 转换成矩阵，如下所示：
A = [1,0,0]
B = [0,1,0]
C = [0,0,1]
由于分类器无法将str解释为数字，因此需要进行翻译。
在scikit-learn中，可以使用inpreprocessing模块提供的OneHotEncoder和LabelEncoder。但是OneHotEncoder不支持对字符串进行fit_transform()。
在转换过程中可能会出现"ValueError: could not convert string to float"。
您可以使用LabelEncoder将str转换为连续的数值，然后再使用OneHotEncoder进行转换。在Pandas数据框中，我必须对所有归类为dtype:object的数据进行编码。下面的代码适用于我，希望能对您有所帮助。
from sklearn import preprocessing
le = preprocessing.LabelEncoder()
for column_name in train_data.columns:
if train_data[column_name].dtype == object:
train_data[column_name] = le.fit_transform(train_data[column_name])
else:
pass
int。在这种情况下，找到的第一个类将被编码为1，第二个为2，......但是这种编码会产生问题。让我们以一个变量Animal = ["Dog", "Cat", "Turtle"]的例子来说明。
如果您对其使用标签编码，Animal将成为[1,2,3]。如果您将其解析到机器学习模型中，它将解释Dog比Cat更接近，比Turtle更远（因为1和2之间的距离低于1和3之间的距离）。
标签编码实际上非常适用于具有自然顺序的变量。
例如，如果您有一个值Age = ["Child", "Teenager", "Young Adult", "Adult", "Old"]，
那么使用标签编码就是完美的。 Child比Teenager更接近，而与Young Adult之间的距离更远。您的变量具有自然排序
让我们回到先前的Animal = ["Dog", "Cat", "Turtle"]的例子。
它将创建与您遇到的类一样多的变量。在我的示例中，它将创建3个二进制变量：Dog，Cat和Turtle。然后，如果您有Animal =“Dog”，编码将使其成为Dog = 1，Cat = 0，Turtle = 0。
然后您可以将此提交给您的模型，他将永远不会解释Dog比Cat更接近Turtle。
但是OneHot编码也有缺点。如果您有一个包含50种类别的分类变量
例如：Dog，Cat，Turtle，Fish，Monkey，...
那么它将创建50个二进制变量，这可能会引起复杂性问题。在这种情况下，您可以创建自己的类并手动更改变量
例如：将Turtle，Fish，Dolphin，Shark合并到名为海洋生物的同一类中，然后应用OneHot编码。
由于您的输入是字符串，因此您会收到值错误消息。使用CountVectorizer将数据集转换为稀疏矩阵并训练ml算法，您将获得结果。
确实，一个独热编码器在这里可以很好地工作，将您想要的任何字符串和数值分类变量转换为1和0，这样随机森林就不会抱怨。
df['zipcode'] = df['zipcode'].astype('category')？ - LeMarque