DTypePromotionError: The DType <class 'numpy.dtypes.DateTime64DType'> could not be promoted by <class 'numpy.dtypes.Int64DType'>. This means that no common DType exists for the given inputs.
Ai dat modelului un DataFrame care are o coloană de tip dată (datetime64) lângă coloane numerice, iar numpy nu le poate pune în același tabel. Modelele lucrează doar cu numere: transformă data în trăsături numerice (luna, ziua săptămânii, zile de la o dată) și scoate coloana originală.
Explicat de Tudor Andrei Dumitrescu, Senior Software Developer, fondatorul Academiei ProgramatorilorActualizat la
Ce înseamnă
Când primește un DataFrame, scikit-learn îl transformă într-un singur array numpy. Pentru asta, toate coloanele trebuie aduse la un tip comun. Între o dată (datetime64) și un număr întreg (int64) nu există un tip comun, așa că numpy ridică DTypePromotionError (numele complet e numpy.exceptions.DTypePromotionError).
Mesajul îți arată exact cele două tipuri care nu se împacă: DateTime64DType și Int64DType sau Float64DType. Deci ai o coloană citită ca dată, de obicei cu pd.to_datetime sau cu parse_dates la read_csv.
Chiar dacă numpy ar accepta conversia, o dată brută nu ajută modelul: el are nevoie de informații numerice, de exemplu luna (pentru sezonalitate), ziua săptămânii sau numărul de zile scurse de la un moment fix. Verifică tipurile cu df.dtypes înainte de fit.
De ce apare: cauzele frecvente
1Coloana de dată a rămas în X
X = df[["data", "suprafata"]]
model.fit(X, y)df["luna"] = df["data"].dt.month
X = df[["luna", "suprafata"]]
model.fit(X, y).dt.month scoate un număr din dată. Coloana originală nu mai intră în model, deci toate coloanele sunt numerice.
2X = toate coloanele, după parse_dates
df = pd.read_csv("vanzari.csv", parse_dates=["data"])
X = df.drop(columns="vanzari")df = pd.read_csv("vanzari.csv", parse_dates=["data"])
df["zile"] = (df["data"] - df["data"].min()).dt.days
X = df.drop(columns=["vanzari", "data"])drop păstrează toate celelalte coloane, inclusiv data. Transform-o în număr de zile și scoate-o explicit.
3Selectezi doar coloanele numerice
X = df.drop(columns="vanzari")X = df.drop(columns="vanzari").select_dtypes(include="number")select_dtypes(include="number") lasă pe dinafară datele și textul. Folosește-l doar după ce ai extras din dată trăsăturile de care ai nevoie.
Repară eroarea, direct în pagină
Codul de mai jos dă DTypePromotionError, pentru că în X a rămas coloana de tip dată data. Creează o coloană numerică luna din dată și antrenează modelul pe luna și reducere, ca programul să afișeze coloanele folosite și vânzările estimate.
import pandas as pd
from sklearn.linear_model import LinearRegression
df = pd.DataFrame({
"data": pd.to_datetime(["2024-01-15", "2024-02-15", "2024-03-15", "2024-04-15"]),
"reducere": [0, 10, 0, 10],
"vanzari": [100, 130, 120, 150],
})
X = df[["data", "reducere"]]
model = LinearRegression().fit(X, df["vanzari"])
print("Coloane:", list(X.columns))
nou = pd.DataFrame({"luna": [5], "reducere": [0]})
print("Vanzari estimate:", round(float(model.predict(nou)[0])))Coloane: ['luna', 'reducere'] Vanzari estimate: 140
Indiciu
Scrie df["luna"] = df["data"].dt.month și folosește X = df[["luna", "reducere"]].
Reparația
import pandas as pd
from sklearn.linear_model import LinearRegression
df = pd.DataFrame({
"data": pd.to_datetime(["2024-01-15", "2024-02-15", "2024-03-15", "2024-04-15"]),
"reducere": [0, 10, 0, 10],
"vanzari": [100, 130, 120, 150],
})
df["luna"] = df["data"].dt.month
X = df[["luna", "reducere"]]
model = LinearRegression().fit(X, df["vanzari"])
print("Coloane:", list(X.columns))
nou = pd.DataFrame({"luna": [5], "reducere": [0]})
print("Vanzari estimate:", round(float(model.predict(nou)[0])))De ce merge
dt.month transformă fiecare dată într-un număr (1, 2, 3, 4), deci X conține acum doar numere și numpy îl poate converti fără probleme. Modelul învață că vânzările cresc cu 10 pe lună și cu 2 pentru fiecare procent de reducere, așa că pentru luna 5 fără reducere estimează 140.
Alte forme ale mesajului
numpy.exceptions.DTypePromotionError: The DType <class 'numpy.dtypes.DateTime64DType'> could not be promoted by <class 'numpy.dtypes.Float64DType'>. This means that no common DType exists for the given inputs.TypeError: float() argument must be a string or a real number, not 'Timestamp'TypeError: The DType <class 'numpy.dtype[datetime64]'> could not be promoted by <class 'numpy.dtype[float64]'>.
Cum o eviți pe viitor
Afișează df.dtypes înainte de antrenare și asigură-te că în X intră doar int, float sau bool. Fă din fiecare dată trăsăturile care au sens pentru problemă (dt.month, dt.dayofweek, dt.year, zile de la o dată fixă) și scoate coloana originală. Într-un pipeline, pune această transformare într-un FunctionTransformer sau într-un pas de pregătire scris o singură dată.
Întrebări frecvente
Pot transforma data direct în număr cu astype(int)?
Tehnic da (obții nanosecunde de la 1970), dar numerele sunt uriașe și greu de folosit. Zilele de la prima dată sau luna sunt mult mai utile pentru model.
De ce mesajul spune Int64DType sau Float64DType?
E tipul celorlalte coloane din X. Dacă ai și coloane cu zecimale, vei vedea Float64DType, iar problema e aceeași.
Erori înrudite
ValueError: could not convert string to float: 'Bucuresti' În X ai o coloană cu text (de exemplu orașul), iar modelul acceptă doar numere. Transformă coloanele de text în numere înainte de fit, cu pd.get_dummies sau OneHotEncoder, sau scoate-le din X dacă nu ai nevoie de ele. ValueError: dtype='numeric' is not compatible with arrays of bytes/strings.Convert your data to numeric values explicitly instead. Ai dat modelului o listă sau un tablou numpy care conține texte, de exemplu ['Bucuresti', 50]. scikit-learn nu le transformă singur în numere. Codifică textul (OneHotEncoder, get_dummies) sau convertește valorile numerice scrise ca text cu astype(float). ValueError: The feature names should match those that were passed during fit. Modelul a fost antrenat pe un DataFrame cu anumite coloane, iar la predict primește coloane cu alte nume sau în altă ordine. Construiește datele noi cu exact aceleași nume de coloane, în aceeași ordine, de exemplu cu X_nou[model.feature_names_in_]. Învață Machine Learning de la zero, cu exerciții la fiecare lecție
Curs Machine Learning și AI pentru începători: lecții scurte, fiecare cu un exercițiu verificat automat, direct în browser. Primele 15 lecții sunt gratuite.
