TypeError: unknown_value should be an integer or np.nan when handle_unknown is 'use_encoded_value', got None.
Ai setat OrdinalEncoder(handle_unknown="use_encoded_value"), dar nu ai spus ce cod primesc categoriile necunoscute. Adaugă unknown_value, de obicei -1 sau np.nan: OrdinalEncoder(handle_unknown="use_encoded_value", unknown_value=-1).
Explicat de Tudor Andrei Dumitrescu, Senior Software Developer, fondatorul Academiei ProgramatorilorActualizat la
Ce înseamnă
Implicit, OrdinalEncoder dă eroare când vede la transform o categorie pe care nu a întâlnit-o la fit. Cu handle_unknown="use_encoded_value" îi spui să nu mai dea eroare, ci să pună un cod special. Codul acela trebuie ales de tine, prin unknown_value, iar valoarea implicită (None) nu e acceptată.
Regulile pentru unknown_value: un număr întreg care nu e deja folosit de categoriile cunoscute (de aceea -1 e alegerea obișnuită) sau np.nan, dacă după encoder urmează un imputer sau un model care acceptă valori lipsă (de exemplu HistGradientBoostingClassifier). Dacă alegi un întreg folosit deja, de exemplu 0, primești altă eroare, pentru că două categorii ar avea același cod.
La OneHotEncoder echivalentul este handle_unknown="ignore", care nu cere niciun cod.
De ce apare: cauzele frecvente
1Lipsește unknown_value
OrdinalEncoder(handle_unknown="use_encoded_value")OrdinalEncoder(handle_unknown="use_encoded_value", unknown_value=-1)Categoriile necunoscute primesc codul -1, care nu se suprapune cu 0, 1, 2 ale categoriilor cunoscute.
2Cod deja folosit
OrdinalEncoder(handle_unknown="use_encoded_value", unknown_value=0)OrdinalEncoder(handle_unknown="use_encoded_value", unknown_value=-1)0 e codul primei categorii cunoscute. Un cod nou evită confuzia.
3Necunoscut tratat ca valoare lipsă
OrdinalEncoder(handle_unknown="use_encoded_value", unknown_value=None)OrdinalEncoder(handle_unknown="use_encoded_value", unknown_value=np.nan)np.nan e permis și lasă pașii următori să trateze categoria necunoscută ca lipsă.
Repară eroarea, direct în pagină
Codul de mai jos dă TypeError: unknown_value should be an integer or np.nan, pentru că encoderul trebuie să codifice orașele necunoscute, dar nu știe cu ce cod. Dă-le codul -1, ca programul să afișeze codurile pentru Cluj, Brasov și Iasi.
import pandas as pd
from sklearn.preprocessing import OrdinalEncoder
train = pd.DataFrame({"oras": ["Cluj", "Iasi", "Arad", "Cluj"]})
nou = pd.DataFrame({"oras": ["Cluj", "Brasov", "Iasi"]})
enc = OrdinalEncoder(handle_unknown="use_encoded_value")
enc.fit(train)
print("Categorii:", [str(c) for c in enc.categories_[0]])
print("Coduri:", enc.transform(nou).ravel().astype(int).tolist())Categorii: ['Arad', 'Cluj', 'Iasi'] Coduri: [1, -1, 2]
Indiciu
Adaugă unknown_value=-1 la OrdinalEncoder.
Reparația
import pandas as pd
from sklearn.preprocessing import OrdinalEncoder
train = pd.DataFrame({"oras": ["Cluj", "Iasi", "Arad", "Cluj"]})
nou = pd.DataFrame({"oras": ["Cluj", "Brasov", "Iasi"]})
enc = OrdinalEncoder(handle_unknown="use_encoded_value", unknown_value=-1)
enc.fit(train)
print("Categorii:", [str(c) for c in enc.categories_[0]])
print("Coduri:", enc.transform(nou).ravel().astype(int).tolist())De ce merge
Encoderul a învățat trei orașe, în ordine alfabetică: Arad = 0, Cluj = 1, Iasi = 2. Brașov nu apare la antrenare, deci primește codul ales prin unknown_value, adică -1, în loc să oprească programul cu o eroare. Codul -1 nu se suprapune cu niciun cod al categoriilor cunoscute.
Alte forme ale mesajului
TypeError: unknown_value should be an integer or np.nan when handle_unknown is 'use_encoded_value', got -1.5.ValueError: The used value for unknown_value 0 is one of the values already used for encoding the seen categories.
Cum o eviți pe viitor
Când alegi handle_unknown="use_encoded_value", scrie unknown_value pe același rând, ca pereche. Alege -1 pentru modelele care primesc doar numere și np.nan pentru modelele care acceptă valori lipsă. Testează pipeline-ul cu un rând care conține o categorie nouă, ca să vezi ce primește modelul.
Întrebări frecvente
Codul -1 nu strică modelul?
Pentru arbori, -1 e doar o altă valoare, separată ușor de rest. Pentru modelele liniare, codurile ordinale au oricum un sens limitat; acolo OneHotEncoder(handle_unknown="ignore") e de obicei o alegere mai bună.
Care e diferența față de OneHotEncoder?
OneHotEncoder cu handle_unknown="ignore" pune zero pe toate coloanele categoriei. OrdinalEncoder are o singură coloană, deci are nevoie de un cod anume.
Erori înrudite
ValueError: Found unknown categories ['Iasi'] in column 0 during transform OneHotEncoder a văzut la fit doar anumite categorii, iar la transform (pe test sau pe date noi) apare una nouă, aici 'Iasi'. Creează encoderul cu handle_unknown='ignore', ca valorile noi să devină un rând de zerouri, sau antrenează-l pe date care conțin toate categoriile. ValueError: Shape mismatch: if categories is an array, it has to be of shape (n_features,). Parametrul categories al lui OneHotEncoder sau OrdinalEncoder trebuie să aibă câte o listă pentru fiecare coloană, chiar dacă ai o singură coloană. Scrie categories=[["mic", "mediu", "mare"]] (listă de liste), nu categories=["mic", "mediu", "mare"]. ValueError: y contains previously unseen labels: 'premium' LabelEncoder a fost antrenat (fit) pe o listă de etichete, iar la transform a primit o etichetă pe care n-a văzut-o. Antrenează-l pe toate etichetele posibile (de exemplu pe y întreg, înainte de împărțire); pentru coloane de intrare folosește OneHotEncoder(handle_unknown="ignore"). 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.
