...
Eroare Machine Learning · Date lipsă, text și valori invalide

ValueError: Cannot use mean strategy with non-numeric data:

Pe scurt

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

Greșit
PYTHON
imp = SimpleImputer(strategy="mean")
X = imp.fit_transform(df)  # df are și coloana oras
Corect
PYTHON
num = ["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

Greșit
PYTHON
SimpleImputer(strategy="median").fit_transform(df[["oras"]])
Corect
PYTHON
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

Greșit
PYTHON
pipe = make_pipeline(SimpleImputer(), OneHotEncoder())
pipe.fit_transform(df)
Corect
PYTHON
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 tu

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.

Codul care dă eroarea
PYTHON
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())
După reparație, programul afișează
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"]].

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

← Toate erorile Machine Learning

Tudor Andrei Dumitrescu
Cine a explicat eroarea

Tudor Andrei Dumitrescu

Senior Software Developer · fondatorul Academiei Programatorilor

LinkedIn
  1. 2019 Junior JavaCognizant Softvision
  2. 2021 Mid JavaCognizant Softvision
  3. 2022 Team LeaderEndava
  4. 2023 Senior Software DeveloperUniCredit
  5. Acum Senior Software DeveloperHCLTech
Certificat de absolvire Instructor / Preparator formare, Tudor Andrei Dumitrescu
Certificat de formator autorizatMinisterul Muncii și Ministerul Educației · 2022
Certificat de absolvire Instructor / Preparator formare, Tudor Andrei Dumitrescu

Certificat de formator autorizat · Ministerul Muncii și Ministerul Educației · 2022

Din 2020 construiește Academia Programatorilor, iar din 2026 și JoburiIT.ro. Fiecare eroare de aici a fost reprodusă în editorul nostru: codul greșit chiar dă mesajul din titlu, iar reparația chiar funcționează.

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.