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

ValueError: could not convert string to float: 'Bucuresti'

Pe scurt

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.

Explicat de Tudor Andrei Dumitrescu, Senior Software Developer, fondatorul Academiei ProgramatorilorActualizat la

Ce înseamnă

scikit-learn transformă intern X într-un tablou de numere zecimale (float). Când dă peste o celulă cu text, conversia eșuează și primești exact valoarea care a blocat-o: could not convert string to float: 'Bucuresti'. Textul dintre apostrofuri îți spune unde să cauți: o coloană categorică (oraș, culoare, tip de client) care a rămas în X.

Mai rar, coloana este numerică „în teorie”, dar conține texte precum '1.200', 'n/a' sau '12 lei', venite dintr-un CSV. Verifică tipurile cu X.dtypes: coloanele object sunt suspecte. Dacă textul este o categorie, îl codifici (get_dummies, OneHotEncoder, OrdinalEncoder); dacă este un număr scris greșit, îl cureți și îl convertești cu pd.to_numeric.

De ce apare: cauzele frecvente

1Coloană categorică lăsată în X

Greșit
PYTHON
X = df[["oras", "suprafata"]]
model.fit(X, y)
Corect
PYTHON
X = pd.get_dummies(df[["oras", "suprafata"]], columns=["oras"], dtype=int)
model.fit(X, y)

get_dummies înlocuiește coloana oras cu câte o coloană 0/1 pentru fiecare oraș, deci X conține doar numere.

2Numere salvate ca text, cu separator de mii sau unitate

Greșit
PYTHON
df = pd.DataFrame({"pret": ["1.200", "950", "1.500"]})
scaler.fit(df)
Corect
PYTHON
df["pret"] = pd.to_numeric(df["pret"].str.replace(".", "", regex=False))
scaler.fit(df)

'1.200' nu e un număr pentru Python. După ce scoți punctul de la mii și convertești, coloana devine numerică.

3Ai trimis tot tabelul, cu tot cu coloana-țintă sau un id text

Greșit
PYTHON
X = df.drop(columns=["pret"])  # rămâne și coloana "cod": "AP-01"
model.fit(X, y)
Corect
PYTHON
X = df.drop(columns=["pret", "cod"])
model.fit(X, y)

Coloanele de identificare nu ajută modelul. Alege explicit caracteristicile numerice pe care le vrei în X.

Repară tu

Repară eroarea, direct în pagină

Codul de mai jos dă ValueError: could not convert string to float: 'Bucuresti', pentru că orașul a rămas text în X. Repară-l: transformă coloana oras în coloane 0/1 cu pd.get_dummies(..., dtype=int), ca programul să afișeze coloanele lui X și scorul R² pe datele de antrenare.

Codul care dă eroarea
PYTHON
import pandas as pd
from sklearn.linear_model import LinearRegression

df = pd.DataFrame({
    "oras": ["Bucuresti", "Cluj", "Iasi", "Bucuresti", "Cluj", "Iasi"],
    "suprafata": [50, 60, 55, 70, 80, 65],
    "pret": [120, 125, 95, 160, 165, 110],
})

X = df[["oras", "suprafata"]]
y = df["pret"]
model = LinearRegression().fit(X, y)
print("Coloane:", list(X.columns))
print("R2:", round(model.score(X, y), 3))
După reparație, programul afișează
Coloane: ['suprafata', 'oras_Bucuresti', 'oras_Cluj', 'oras_Iasi']
R2: 0.997
Indiciu

Aplică pd.get_dummies(df[["oras", "suprafata"]], columns=["oras"], dtype=int).

Alte forme ale mesajului

  • ValueError: could not convert string to float: 'Cluj'
  • ValueError: could not convert string to float: ''
  • ValueError: could not convert string to float: '1.200'

Cum o eviți pe viitor

Înainte de fit, rulează X.dtypes și asigură-te că nu ai coloane object. Separă coloanele numerice de cele categorice încă de la început și tratează-le diferit: categoriile le codifici cu OneHotEncoder (ideal într-un ColumnTransformer), iar numerele scrise ca text le cureți cu pd.to_numeric. Când citești un CSV cu zecimale cu virgulă, folosește pd.read_csv(..., decimal=",").

Întrebări frecvente

De ce nu transformă scikit-learn singur textul în numere?

Pentru că nu are cum să știe ce înseamnă textul. „Cluj” nu este mai mare sau mai mic decât „Iasi”, iar alegerea codificării (coloane 0/1 sau ordine) depinde de date, deci o faci tu explicit.

get_dummies sau OneHotEncoder?

pd.get_dummies e rapid pentru o analiză. OneHotEncoder ține minte categoriile văzute la antrenare și se aplică la fel pe datele noi, deci este varianta potrivită pentru un model pe care îl folosești mai departe.

Ce înseamnă când textul din mesaj este gol, ''?

O celulă conține un șir gol, de obicei dintr-un CSV cu spații sau celule necompletate. Convertește coloana cu pd.to_numeric(..., errors="coerce") și tratează NaN-urile rezultate.

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.