'；ValueError:无法将字符串转换为浮点值'；在python中学习

我有一个带有日期列的数据框。数据从csv文件导入。当我尝试拟合回归模型时，我得到了错误

ValueError:无法将字符串转换为float:'2019-08-30 07:51:21

。

我怎样才能摆脱它

这是数据帧

source.csv

    event_id    tsm_id  rssi_ts        rssi batl    batl_ts    ts_diff
0   417736018   4317714 2019-09-05 20:00:07 140 100.0   2019-09-05 18:11:49 01:48:18
1   417735986   4317714 2019-09-05 20:00:07 132 100.0   2019-09-05 18:11:49 01:48:18
2   418039386   4317714 2019-09-06 01:00:08 142 100.0   2019-09-06 00:11:50 00:48:18
3   418039385   4317714 2019-09-06 01:00:08 122 100.0   2019-09-06 00:11:50 00:48:18
4   420388010   4317714 2019-09-07 15:31:07 143 100.0   2019-09-07 12:11:50 03:19:17

这是我的密码：

model = pd.read_csv("source.csv")
model.describe()

        event_id        tsm_id.         rssi        batl
count   5.000000e+03    5.000000e+03    5000.000000 3784.000000
mean    3.982413e+08    4.313492e+06    168.417200  94.364429
std 2.200899e+07    2.143570e+03    35.319516   13.609917
min 3.443084e+08    4.310312e+06    0.000000    16.000000
25% 3.852882e+08    4.310315e+06    144.000000  97.000000
50% 4.007999e+08    4.314806e+06    170.000000  100.000000
75% 4.171803e+08    4.314815e+06    195.000000  100.000000
max 4.258451e+08    4.317714e+06    242.000000  100.000000

labels_b = np.array(model['batl'])
features_r= model.drop('batl', axis = 1)
features_r = np.array(features_r)

from sklearn.model_selection import train_test_split
train_features, test_features, train_labels, test_labels = train_test_split(features_r,          
labels_b, test_size = 0.25, random_state = 42)

from sklearn.ensemble import RandomForestRegressor
rf = RandomForestRegressor(n_estimators = 1000, random_state = 42)
rf.fit(train_features, train_labels);

这里是错误消息：

ValueError                                Traceback (most recent call last)
<ipython-input-28-bc774a9d8239> in <module>
      4 rf = RandomForestRegressor(n_estimators = 1000, random_state = 42)
      5 # Train the model on training data
----> 6 rf.fit(train_features, train_labels);

~/ml/env/lib/python3.7/site-packages/sklearn/ensemble/forest.py in fit(self, X, y, sample_weight)
    247 
    248         # Validate or convert input data
--> 249         X = check_array(X, accept_sparse="csc", dtype=DTYPE)
    250         y = check_array(y, accept_sparse='csc', ensure_2d=False, dtype=None)
    251         if sample_weight is not None:

~/ml/env/lib/python3.7/site-packages/sklearn/utils/validation.py in check_array(array, accept_sparse, accept_large_sparse, dtype, order, copy, force_all_finite, ensure_2d, allow_nd, ensure_min_samples, ensure_min_features, warn_on_dtype, estimator)
    494             try:
    495                 warnings.simplefilter('error', ComplexWarning)
--> 496                 array = np.asarray(array, dtype=dtype, order=order)
    497             except ComplexWarning:
    498                 raise ValueError("Complex data not supported\n"

~/ml/env/lib/python3.7/site-packages/numpy/core/numeric.py in asarray(a, dtype, order)
    536 
    537     """
--> 538     return array(a, dtype, copy=False, order=order)
    539 
    540 

ValueError: could not convert string to float: '2019-08-30 07:51:21'

ValueError回溯（最近一次调用）
在里面
4 rf=随机森林回归器（n_估计值=1000，随机状态=42）
5#根据训练数据训练模型
---->6 rf.配合（列车特征、列车标签）；
~/ml/env/lib/python3.7/site-packages/sklearn/ensemble/forest.py适合（自身、X、y、样本重量）
247
248#验证或转换输入数据
-->249 X=检查数组（X，接受sparse=“csc”，dtype=dtype）
250 y=检查数组（y，接受sparse='csc'，确保2d=False，dtype=None）
251如果样品重量不是无：
检查数组中的~/ml/env/lib/python3.7/site-packages/sklearn/utils/validation.py（数组、接受稀疏、接受大稀疏、数据类型、顺序、复制、强制所有有限、确保2d、允许nd、确保最小样本、确保最小特征、警告数据类型、估算器）
494尝试：
495警告。simplefilter（'error'，ComplexWarning）
-->496数组=np.asarray（数组，dtype=dtype，order=order）
497除复杂警告外：
498 raise VALUERROR（“不支持复杂数据\n”
asarray中的~/ml/env/lib/python3.7/site-packages/numpy/core/numeric.py（a，数据类型，顺序）
536
537     """
-->538返回数组（a，数据类型，copy=False，order=order）
539
540
ValueError:无法将字符串转换为浮点：“2019-08-30 07:51:21”

阅读模型后，尝试这样做

import datetime
to_timestamp_fct = lambda x: datetime.datetime.strptime(x, '%Y-%m-%d %H:%M:%S').timestamp()

model['rssi_ts'] = model['rssi_ts'].apply(to_timestamp_fct)

---

在阅读模型后，尝试这样的事情

import datetime
to_timestamp_fct = lambda x: datetime.datetime.strptime(x, '%Y-%m-%d %H:%M:%S').timestamp()

model['rssi_ts'] = model['rssi_ts'].apply(to_timestamp_fct)

---

您必须将时间日期从字符串转换为时间戳。这可以通过以下行完成（其他所有内容都在写入时保留）：

模型=(
pd.read_csv（“source.csv”，parse_dates=['rssi_ts'，'batl_ts'，]，date_parser=lambda x:pd.to_datetime（x））
.分配(
rssi_ts=lambda x:x.loc[：，'rssi_ts'].astype（int）/10**9，
batl_ts=lambda x:x.loc[：，'batl_ts'].aType（int）/10**9，
ts_diff=lambda x:pd.to_timedelta（x.loc[：，'ts_diff']）。astype（int）/10**9
)
)

由

parse_dates

参数创建的对象可以转换为float

编辑：缺少括号

---

Edit2：对于其他时间戳和增量时间。

您必须将时间日期从字符串转换为时间戳。这可以通过以下行完成（其他所有内容都在写入时保留）：

模型=(
pd.read_csv（“source.csv”，parse_dates=['rssi_ts'，'batl_ts'，]，date_parser=lambda x:pd.to_datetime（x））
.分配(
rssi_ts=lambda x:x.loc[：，'rssi_ts'].astype（int）/10**9，
batl_ts=lambda x:x.loc[：，'batl_ts'].aType（int）/10**9，
ts_diff=lambda x:pd.to_timedelta（x.loc[：，'ts_diff']）。astype（int）/10**9
)
)

由

parse_dates

参数创建的对象可以转换为float

编辑：缺少括号

---

Edit2：对于其他时间戳和增量时间。

它将您的值作为字符串读取…要使模型工作，它必须读取具有整数或浮点的值，因此使用此函数：

model = (
    pd.read_csv("source.csv", parse_dates=['rssi_ts', 'batl_ts'], date_parser=lambda x: pd.to_datetime(x))
    .assign(rssi_ts=lambda x: x.loc[:, 'rssi_ts'].astype(int) / 10 ** 9)

---

它以字符串的形式读取您的值…要使模型工作，它必须读取具有整数或浮点的值，因此使用此函数：

model = (
    pd.read_csv("source.csv", parse_dates=['rssi_ts', 'batl_ts'], date_parser=lambda x: pd.to_datetime(x))
    .assign(rssi_ts=lambda x: x.loc[:, 'rssi_ts'].astype(int) / 10 ** 9)

---

它引发了相同的错误。虽然您在此处仅应用于一个功能，但我有3个具有时间戳的功能。它引发了相同的错误。虽然您在此处仅应用于一个功能，但我有3个具有时间戳的功能。谢谢您的回答。尽管它现在给出了错误'TypeError:float（）参数必须是字符串或数字，而不是“时间戳”。这些类型是：event_id int64 tsm_tuid int64 rssi\ts float64 rssi int64 batl\ts float64 batl\ts datetime64[ns]ts_diff object dtype:object谢谢您的回答。尽管现在给出了错误“TypeError:float（）参数必须是字符串或数字，而不是“时间戳”。这些是类型：事件id int64 tsm\U tuid int64 rssi\ts float64 rssi int64 batl\ts datetime64[ns]ts_diff对象数据类型：对象