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.
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
X = df[["oras", "suprafata"]]
model.fit(X, y)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
df = pd.DataFrame({"pret": ["1.200", "950", "1.500"]})
scaler.fit(df)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
X = df.drop(columns=["pret"]) # rămâne și coloana "cod": "AP-01"
model.fit(X, y)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 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.
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))Coloane: ['suprafata', 'oras_Bucuresti', 'oras_Cluj', 'oras_Iasi'] R2: 0.997
Indiciu
Aplică pd.get_dummies(df[["oras", "suprafata"]], columns=["oras"], dtype=int).
Reparația
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 = pd.get_dummies(df[["oras", "suprafata"]], columns=["oras"], dtype=int)
y = df["pret"]
model = LinearRegression().fit(X, y)
print("Coloane:", list(X.columns))
print("R2:", round(model.score(X, y), 3))De ce merge
Modelul liniar înmulțește fiecare caracteristică cu un coeficient, iar „Bucuresti” nu poate fi înmulțit cu nimic. get_dummies înlocuiește coloana oras cu trei coloane (oras_Bucuresti, oras_Cluj, oras_Iasi) care au 1 pe rândurile orașului respectiv și 0 în rest. Acum X are doar numere, iar modelul poate învăța câte un spor de preț pentru fiecare oraș, pe lângă efectul suprafeței. dtype=int face coloanele 0/1 în loc de True/False.
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
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: 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: 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. 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.
