español - scikit learn import python

LabelEncoder: TypeError: ''>'' no se admite entre las instancias de ''float'' y ''str''

Question

Me enfrento a este error para múltiples variables, incluso tratando valores perdidos. Por ejemplo:

le = preprocessing.LabelEncoder()
categorical = list(df.select_dtypes(include=[''object'']).columns.values)
for cat in categorical:
print(cat)
df[cat].fillna(''UNK'', inplace=True)
df[cat] = le.fit_transform(df[cat])
# print(le.classes_)
# print(le.transform(le.classes_))
---------------------------------------------------------------------------
TypeError Traceback (most recent call last)
<ipython-input-24-424a0952f9d0> in <module>()
4 print(cat)
5 df[cat].fillna(''UNK'', inplace=True)
----> 6 df[cat] = le.fit_transform(df[cat].fillna(''UNK''))
7 # print(le.classes_)
8 # print(le.transform(le.classes_))
C:/Users/paula.ceccon.ribeiro/AppData/Local/Continuum/Anaconda3/lib/site-packages/sklearn/preprocessing/label.py in fit_transform(self, y)
129 y = column_or_1d(y, warn=True)
130 _check_numpy_unicode_bug(y)
--> 131 self.classes_, y = np.unique(y, return_inverse=True)
132 return y
133
C:/Users/paula.ceccon.ribeiro/AppData/Local/Continuum/Anaconda3/lib/site-packages/numpy/lib/arraysetops.py in unique(ar, return_index, return_inverse, return_counts)
209
210 if optional_indices:
--> 211 perm = ar.argsort(kind=''mergesort'' if return_index else ''quicksort'')
212 aux = ar[perm]
213 else:
TypeError: ''>'' not supported between instances of ''float'' and ''str''

Comprobando la variable que lleva a los resultados de error en:

df[''CRM do Médico''].isnull().sum()
0

Además de los valores de nan, ¿qué podría estar causando este error?

Answer 1

Como los tipos de datos de cadena tienen una longitud variable, se almacenan por defecto como tipo de objeto. Me enfrenté a este problema después de tratar los valores perdidos también. Convertir todas esas columnas para escribir ''categoría'' antes de que la codificación de la etiqueta funcionara en mi caso.

df[cat]=df[cat].astype(''category'')

Y luego verifique df.dtypes y realice la codificación de etiquetas.

Answer 2

Esto se debe a que la serie df[cat] contiene elementos que tienen diferentes tipos de datos, por ejemplo (cadenas y / o flotadores). Esto podría deberse a la forma en que se leen los datos, es decir, los números se leen como flotante y el texto como cadenas o el tipo de datos fue flotante y se cambió después de la operación fillna .

En otras palabras

el tipo de datos pandas ''Objeto'' indica tipos mixtos en lugar de tipo str

Así que usando la siguiente línea:

df[cat] = le.fit_transform(df[cat].astype(str))

debería ayudar

Answer 3

O use un molde con división para uniformar el tipo de str

unique, counts = numpy.unique(str(a).split(), return_counts=True)