CatBoostError：cat_features必须是整数或字符串，实数值和NaN值应转换为字符串

Question

我有一个包含 122 列的数据集，如下所示：

train.head()

SK_ID_CURR  TARGET  NAME_CONTRACT_TYPE  CODE_GENDER FLAG_OWN_CAR    FLAG_OWN_REALTY CNT_CHILDREN    AMT_INCOME_TOTAL    AMT_CREDIT  AMT_ANNUITY ... FLAG_DOCUMENT_18    FLAG_DOCUMENT_19    FLAG_DOCUMENT_20    FLAG_DOCUMENT_21    AMT_REQ_CREDIT_BUREAU_HOUR  AMT_REQ_CREDIT_BUREAU_DAY   AMT_REQ_CREDIT_BUREAU_WEEK  AMT_REQ_CREDIT_BUREAU_MON   AMT_REQ_CREDIT_BUREAU_QRT   AMT_REQ_CREDIT_BUREAU_YEAR
0   100002  1   Cash loans  M   N   Y   0   202500.0    406597.5    24700.5 ... 0   0   0   0   0   0   0   0   0   1
1   100003  0   Cash loans  F   N   N   0   270000.0    1293502.5   35698.5 ... 0   0   0   0   0   0   0   0   0   0
2   100004  0   Revolving loans M   Y   Y   0   67500.0 135000.0    6750.0  ... 0   0   0   0   0   0   0   0   0   0
3   100006  0   Cash loans  F   N   Y   0   135000.0    312682.5    29686.5 ... 0   0   0   0   255 255 255 255 65535   255
4   100007  0   Cash loans  M   N   Y   0   121500.0    

我已经估算了所有 NaN，现在想使用 CatBoost，如下所示：

# Get variables for a model
x = train.drop(["TARGET"], axis=1)
y = train["TARGET"]

#Do train data splitting
X_train, X_test, y_train, y_test = train_test_split(x,y, test_size=0.2, random_state=42)

cat_features = np.where(x.dtypes != float)[0]

cat = CatBoostClassifier(one_hot_max_size=7, iterations=21, random_seed=42, use_best_model=True, eval_metric='Accuracy', loss_function='Logloss')

cat.fit(X_train, y_train, cat_features = cat_features, eval_set=(X_test, y_test))
pred = cat.predict(X_test)

pool = Pool(X_train, y_train, cat_features=cat_features)
cv_scores = cv(pool, cat.get_params(), fold_count=10, plot=True)
print('CV score: {:.5f}'.format(cv_scores['test-Accuracy-mean'].values[-1]))
print('The test accuracy is :{:.6f}'.format(accuracy_score(y_test, cat.predict(X_test))))

这引发了：

CatBoostError：cat_feature[534,6]=118975.5 的类型无效：cat_features 必须是整数或字符串，实数值和 NaN 值应转换为字符串。

NaN所有这些都按照提到的（检查的）进行估算，并且在代码中指出它们cat_features不是实数。

请有人帮我解开这个谜团吗？

Answer 1

您正在尝试将列与dtype float分类列一起使用。要修复错误，请将其转换为int;

train["a"] = train["a"].astype(np.int) 

但是，在您的情况下 118975.5 看起来不像是有效的类别，因此您可能需要仔细检查是否要将该列用作分类。

这是重现错误并修复的小示例：

from catboost import CatBoostRegressor
import numpy as np
import pandas as pd

train_data = [[1, 4],
              [4.0, 5]]

train = pd.DataFrame(train_data, columns=["a", "b"])

# train["a"] = train["a"].astype(np.int) # This line fixes Invalid type for cat_feature issue

train_labels = [10, 20]
model = CatBoostRegressor(iterations=2,
                          cat_features=["a"]
                          )
model.fit(train, train_labels)

Answer 2

这不完全是一个解决方案，但我认为 'cat_feature[534,6]=118975.5' 告诉您第七列存在一些问题。

我现在面临着类似的问题。