类型错误：“int32”类型的对象不是 JSON 可序列化的

Question

我必须选择字典中已经发布的症状。它工作正常。但是对于某些症状 typeError 显示在命令提示符中，并且所有这些都在命令提示符中打印，但不在 html 页面中。这是我的代码

视图.py

def predict(request):
sym=request.POST.getlist('symptoms[]')
sym=list(map(int,sym))
diseaseArray=[]
diseaseArray=np.array(diseaseArray,dtype=int)
dictArray=[]
for dicti in dictionary:
    if (set(sym)<= set(dicti['symptoms']) and len(sym)!= 0) or [x for x in sym if x in dicti['primary']]:
        diseaseArray=np.append(diseaseArray,dicti['primary'])
        diseaseArray=np.append(diseaseArray,dicti['symptoms'])
diseaseArray=list(set(diseaseArray))
print(diseaseArray)
for i in diseaseArray:
    if i not in sym:
        dict={'id':i}
        dictArray.append(dict)
        print(dictArray)
for j in dictArray:
    symptoms=Symptom.objects.get(syd=j['id'])
    j['name']=symptoms.symptoms
    print(j['name'])
print(len(dictArray))
return JsonResponse(dictArray,safe=False)

模板

$('.js-example-basic-multiple').change(function(){
  $('#suggestion-list').html('');
  $('#suggestion').removeClass('invisible');

  $.ajax({
  url:"/predict",
  method:"post",
  data:{
    symptoms: $('.js-example-basic-multiple').val(),
  },
  success: function(data){

      data.forEach(function(disease){
      console.log(disease.name)
        $('#suggestion-list').append('<li>'+disease.name+'<li>')
        $('#suggestion-list').removeClass('invisible');
    });



  }

  });

Answer 1

中每个元素的类型diseaseArray是np.int32由以下行定义的：

diseaseArray=np.array(diseaseArray,dtype=int)  # Elements are int32

int32无法通过JsonResponse从视图返回来序列化为 JSON 。

要修复，请将 id 值转换为常规值int：

def predict(request):
    ...
    for i in diseaseArray:
        if i not in sym:
            dict={'id': int(i)}  # Convert the id to a regular int
            dictArray.append(dict)
            print(dictArray)
    ...

Answer 2

您通常可以让 numpy 为您完成此操作，而不是像公认的答案那样手动将值转换为整数。

而不是打电话

diseaseArray=list(set(diseaseArray))

您可以致电

diseaseArray=diseaseArray.unique().tolist()

这应该会自动将数组中任何特定于 numpy 的数据类型转换为普通的 Python 数据类型。在本例中，它将把 int32 转换为 int，但它也支持其他转换。

此外，使用 numpys.unique()可能会给大型数据集带来一些加速。