Python Keras自定义Lambda层包装预处理函数tf.placeholder（）运行时错误

我已经编写了一个Keras lambda层，用于封装一个使用pandas数据帧功能的自定义预处理函数。它意味着获取一个numpy输入数据数组，该数组被包装在数据帧中并通过自定义函数传递

考虑以下函数，prepare_data（），它接收原始数据输入：

def prepare_data(df):
    df = df[['userId', 'dataDate','x1', 'x2','x3', 'x4', 'x5','x6', 'x7', 'x8','x9','x10','x11']]
    df['date'] = pd.to_datetime(df["dataDate"])
    df.sort_values(by=['userId', 'date'], inplace=True, ascending=True)
    df.rename(columns={'x11': 'x12'}, inplace=True)
    df.drop(['dataDate', 'date'], axis=1, inplace=True)
    df['x6'].fillna(method='ffill', inplace=True)
    df['x7'].fillna(0, inplace=True)
    df['x8'].fillna(0, inplace=True)
    df['x9'].fillna(0, inplace=True)
    df['x10'].fillna(0, inplace=True)
    return df 

我已经解释了keras层仅处理张量，方法是返回一个结果，该结果从pd数据帧转换为numpy，然后使用tf.numpy\u函数转换为张量，并且还实例化了tf.enable\u eager\u execution（）在我的计划开始时，支持numpy与Keras相邻的运营

当我执行模型时，我遇到运行时错误：tf.placeholder（）与即时执行不兼容。当我没有在任何地方使用tf.placeholder时。如果能帮助你度过这一模糊的阶段，我们将不胜感激

def preprocessing(x):
  prepared_data = prepare_data(pd.DataFrame(data=x, index=new_raw_data.index, columns=new_raw_data.columns))
  return prepared_data.values

def preprocessing_tf(x):
  return tf.numpy_function(func=preprocessing, inp=[x], Tout=tf.Tensor)

def create_model():
  model = Sequential()
  model.add(Lambda(preprocessing_tf, input_shape=new_raw_data.shape, output_shape=processed_data.shape))
  return model


model = create_model()
model.compile(optimizer='adam', metrics=['accuracy'])
model.summary

---

请添加您的

prepare\u data

功能我已经编辑了这篇文章以包含

prepare\u data（）

功能