ValueError: Cannot use mean strategy with non-numeric data:
Ai cerut unui SimpleImputer să completeze cu media o coloană care conține text. Media se poate calcula doar pe numere: folosește strategy="mean" sau "median" doar pe coloanele numerice și strategy="most_frequent" (sau "constant") pe cele cu text.
Explicat de Tudor Andrei Dumitrescu, Senior Software Developer, fondatorul Academiei ProgramatorilorActualizat la
Ce înseamnă
SimpleImputer(strategy="mean") calculează, la fit, media fiecărei coloane, ca să pună valoarea aceea în locul celor lipsă. Dacă în tabel există o coloană cu text (oraș, categorie, nume), media nu are sens, iar scikit-learn se oprește cu mesajul acesta. Pe rândul al doilea vezi chiar valoarea care l-a încurcat: could not convert string to float: 'Cluj'.
Greșeala tipică este să dai imputerului tot DataFrame-ul, cu toate coloanele, după ce ai văzut cu df.isna().sum() că lipsesc valori și în coloanele numerice, și în cele text. Aceeași eroare apare cu strategy="median". Reparația este să împarți coloanele pe tipuri: imputer cu media pentru numere și imputer cu valoarea cea mai frecventă pentru text, separat sau într-un ColumnTransformer.
De ce apare: cauzele frecvente
1Imputer cu media pe tot tabelul
imp = SimpleImputer(strategy="mean")
X = imp.fit_transform(df) # df are și coloana orasnum = ["varsta", "venit"]
X_num = SimpleImputer(strategy="mean").fit_transform(df[num])Media se calculează doar pe coloanele numerice. Textul are nevoie de altă strategie.
2Coloana de text are nevoie de most_frequent
SimpleImputer(strategy="median").fit_transform(df[["oras"]])SimpleImputer(strategy="most_frequent").fit_transform(df[["oras"]])most_frequent alege valoarea care apare cel mai des, iar asta funcționează și pentru text, nu doar pentru numere.
3Ambele tipuri de coloane într-un singur pas
pipe = make_pipeline(SimpleImputer(), OneHotEncoder())
pipe.fit_transform(df)ct = ColumnTransformer([
("num", SimpleImputer(strategy="mean"), ["varsta"]),
("cat", SimpleImputer(strategy="most_frequent"), ["oras"]),
])
ct.fit_transform(df)ColumnTransformer aplică fiecărui grup de coloane imputer-ul potrivit, într-un singur obiect pe care îl poți pune apoi într-un Pipeline.
Repară eroarea, direct în pagină
Codul de mai jos dă ValueError: Cannot use mean strategy with non-numeric data:, pentru că imputerul cu media primește și coloana oras. Repară-l: completează varsta cu media și oras cu valoarea cea mai frecventă, ca programul să afișeze cele două coloane completate.
import numpy as np
import pandas as pd
from sklearn.impute import SimpleImputer
df = pd.DataFrame({
"varsta": [25, np.nan, 40, 35],
"oras": ["Cluj", "Iasi", None, "Cluj"],
})
complet = SimpleImputer(strategy="mean").fit_transform(df)
print("Varste:", complet[:, 0].tolist())
print("Orase:", complet[:, 1].tolist())Varste: [25.0, 33.33, 40.0, 35.0] Orase: ['Cluj', 'Iasi', 'Cluj', 'Cluj']
Indiciu
Folosește două imputere: unul cu strategy="mean" pe df[["varsta"]] și unul cu strategy="most_frequent" pe df[["oras"]].
Reparația
import numpy as np
import pandas as pd
from sklearn.impute import SimpleImputer
df = pd.DataFrame({
"varsta": [25, np.nan, 40, 35],
"oras": ["Cluj", "Iasi", None, "Cluj"],
})
varste = SimpleImputer(strategy="mean").fit_transform(df[["varsta"]])
orase = SimpleImputer(strategy="most_frequent").fit_transform(df[["oras"]])
print("Varste:", varste[:, 0].round(2).tolist())
print("Orase:", orase[:, 0].tolist())De ce merge
Media vârstelor cunoscute este (25 + 40 + 35) / 3 = 33.33, deci rândul fără vârstă primește valoarea aceasta. Pentru oras, media nu există, dar valoarea cea mai frecventă da: Cluj apare de două ori, deci el ia locul lui None. Fiecare coloană primește strategia potrivită tipului ei. Într-un proiect mai mare, aceleași două imputere stau într-un ColumnTransformer.
Alte forme ale mesajului
ValueError: Cannot use median strategy with non-numeric data: could not convert string to float: 'Cluj'ValueError: Cannot use mean strategy with non-numeric data: could not convert string to float: 'Bucuresti'
Cum o eviți pe viitor
Înainte să completezi valori lipsă, separă coloanele cu df.select_dtypes(include="number").columns și df.select_dtypes(exclude="number").columns. Pune listele acestea într-un ColumnTransformer, cu media sau mediana pentru numere și most_frequent sau constant pentru text. Așa poți adăuga coloane noi fără să-ți amintești de fiecare dată ce strategie merge unde.
Întrebări frecvente
Ce strategie folosesc pentru coloanele text?
strategy="most_frequent" pune valoarea cea mai des întâlnită. Dacă vrei ca lipsa să rămână vizibilă pentru model, folosește strategy="constant", fill_value="necunoscut": OneHotEncoder va crea apoi o coloană separată pentru ea.
Coloana mea are doar numere, de ce primesc totuși eroarea?
Probabil a fost citită ca text, de exemplu din cauza unei valori ca "1.200" sau "n/a". Verifică cu df.dtypes și convertește cu pd.to_numeric(df["col"], errors="coerce").
Erori înrudite
ValueError: Input X contains NaN. Datele de intrare X au cel puțin o valoare lipsă (NaN), iar modelul nu știe să lucreze cu ea. Completează golurile înainte de fit (de exemplu cu fillna sau SimpleImputer) sau elimină rândurile incomplete cu dropna. 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: A given column is not a column of the dataframe Ai dat unui ColumnTransformer o listă de coloane în care cel puțin un nume nu există în DataFrame (greșeală de scriere, diacritice, spații, coloană redenumită). Compară lista cu df.columns.tolist() și corectează numele. 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.
