ValueError: Specifying the columns using strings is only supported for dataframes.
ColumnTransformer are coloanele date după nume ("varsta", "oras"), dar a primit un tablou numpy, care nu are nume de coloane. Dă-i DataFrame-ul (df, nu df.values sau df.to_numpy()), sau, dacă lucrezi cu numpy, indică coloanele prin poziție: [0, 2].
Explicat de Tudor Andrei Dumitrescu, Senior Software Developer, fondatorul Academiei ProgramatorilorActualizat la
Ce înseamnă
Într-un ColumnTransformer, fiecare transformer primește o listă de coloane. Lista poate avea nume (["suprafata"]), dar numele există doar într-un DataFrame pandas. Dacă la fit sau transform ajunge un numpy.ndarray, nu mai există niciun nume după care să selectezi, iar scikit-learn îți spune că numele de coloane sunt acceptate doar pentru DataFrame-uri.
Cauze frecvente: ai scris pipe.fit(df.values, y) sau X.to_numpy(), ai trecut datele printr-un pas care întoarce numpy (de exemplu un SimpleImputer înaintea ColumnTransformer-ului, în același Pipeline), ai împărțit cu train_test_split niște tablouri numpy, ori dai la predict o listă de liste. Repari dând DataFrame-ul peste tot sau, dacă un pas anterior întoarce numpy, mutând acel pas în interiorul ColumnTransformer-ului ori setând set_output(transform="pandas").
De ce apare: cauzele frecvente
1Ai dat df.values în loc de df
ct = ColumnTransformer([("num", StandardScaler(), ["suprafata"])])
ct.fit_transform(df.values)ct = ColumnTransformer([("num", StandardScaler(), ["suprafata"])])
ct.fit_transform(df)DataFrame-ul are numele coloanelor, deci ColumnTransformer poate găsi suprafata.
2Lucrezi intenționat cu numpy
X = np.array([[40, 1], [55, 2]])
ColumnTransformer([("num", StandardScaler(), ["suprafata"])]).fit(X)X = np.array([[40, 1], [55, 2]])
ColumnTransformer([("num", StandardScaler(), [0])]).fit(X)Pe un tablou numpy, coloanele se indică prin poziție: 0 este prima coloană.
3Un pas dinainte întoarce numpy
pipe = make_pipeline(SimpleImputer(strategy="most_frequent"), ct, LogisticRegression())pipe = make_pipeline(SimpleImputer(strategy="most_frequent").set_output(transform="pandas"),
ct, LogisticRegression())Cu ieșire pandas, imputerul păstrează numele coloanelor, iar ColumnTransformer-ul de după le poate folosi. Și mai simplu: pune imputerul în interiorul ColumnTransformer-ului.
Repară eroarea, direct în pagină
Codul de mai jos dă ValueError: Specifying the columns using strings is only supported for dataframes., pentru că Pipeline-ul primește df.values. Repară apelurile, ca Pipeline-ul să primească DataFrame-uri, iar programul să afișeze prețul estimat pentru un apartament de 65 m² din Cluj.
import pandas as pd
from sklearn.compose import ColumnTransformer
from sklearn.linear_model import LinearRegression
from sklearn.pipeline import make_pipeline
from sklearn.preprocessing import OneHotEncoder
df = pd.DataFrame({
"suprafata": [50, 60, 70, 50, 60, 70],
"oras": ["Cluj", "Cluj", "Cluj", "Iasi", "Iasi", "Iasi"],
"pret": [110, 130, 150, 90, 110, 130],
})
ct = ColumnTransformer([("oras", OneHotEncoder(), ["oras"])], remainder="passthrough")
pipe = make_pipeline(ct, LinearRegression())
pipe.fit(df[["suprafata", "oras"]].values, df["pret"])
nou = pd.DataFrame({"suprafata": [65], "oras": ["Cluj"]})
print("Pret estimat:", round(pipe.predict(nou)[0], 1))Pret estimat: 140.0
Indiciu
Dă lui fit direct df[["suprafata", "oras"]], nu .values.
Reparația
import pandas as pd
from sklearn.compose import ColumnTransformer
from sklearn.linear_model import LinearRegression
from sklearn.pipeline import make_pipeline
from sklearn.preprocessing import OneHotEncoder
df = pd.DataFrame({
"suprafata": [50, 60, 70, 50, 60, 70],
"oras": ["Cluj", "Cluj", "Cluj", "Iasi", "Iasi", "Iasi"],
"pret": [110, 130, 150, 90, 110, 130],
})
ct = ColumnTransformer([("oras", OneHotEncoder(), ["oras"])], remainder="passthrough")
pipe = make_pipeline(ct, LinearRegression())
pipe.fit(df[["suprafata", "oras"]], df["pret"])
nou = pd.DataFrame({"suprafata": [65], "oras": ["Cluj"]})
print("Pret estimat:", round(pipe.predict(nou)[0], 1))De ce merge
ColumnTransformer caută coloana oras după nume, iar numele există doar într-un DataFrame. .values transforma tabelul într-un tablou numpy fără nume, de aici eroarea. Cu DataFrame-ul, OneHotEncoder primește coloana oras, iar suprafata trece neschimbată (remainder="passthrough"). Prețul crește cu 2 pe metru pătrat și e cu 20 mai mare în Cluj, deci pentru 65 m² estimarea este 140.
Alte forme ale mesajului
ValueError: Specifying the columns using strings is only supported for pandas DataFramesValueError: Specifying the columns using strings is only supported for dataframes
Cum o eviți pe viitor
Păstrează datele ca DataFrame de la citire până la fit și predict; nu folosi .values decât dacă ai un motiv. Și datele noi pentru predict trebuie să fie un DataFrame cu aceleași nume de coloane: pd.DataFrame([{"suprafata": 70, "oras": "Cluj"}]). Preprocesarea pe coloane (imputere, scalare, encodere) pune-o în interiorul ColumnTransformer-ului.
Întrebări frecvente
De ce merge fit, dar predict dă eroarea?
Probabil ai antrenat pe un DataFrame și dai la predict o listă sau un tablou numpy, de exemplu pipe.predict([[70, "Cluj"]]). Construiește datele noi tot ca DataFrame, cu aceleași coloane.
Pot amesteca nume și poziții în aceeași listă?
Nu. O listă de coloane are fie numai nume, fie numai poziții (sau o mască booleană ori un make_column_selector).
Erori înrudite
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. AttributeError: 'numpy.ndarray' object has no attribute 'columns' transform și fit_transform (StandardScaler, SimpleImputer, OneHotEncoder) întorc un tablou numpy, nu un DataFrame, deci nu mai ai .columns, .loc sau nume de coloane. Refă DataFrame-ul cu pd.DataFrame(X, columns=X_vechi.columns) sau cere ieșire pandas cu set_output(transform="pandas"). TypeError: All estimators should implement fit and transform, or can be 'drop' or 'passthrough' specifiers. 'LogisticRegression()' (type <class 'sklearn.linear_model._logistic.LogisticRegression'>) doesn't. Ai pus un model (LogisticRegression, LinearRegression...) în interiorul unui ColumnTransformer. ColumnTransformer acceptă doar transformere (scalere, encodere, imputere), "drop" sau "passthrough". Pune modelul după el, într-un Pipeline: make_pipeline(ct, LogisticRegression()). 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.
