Python 类型错误：'<'；在'；str'；和'；int'；在对k-means聚类进行主成分分析时

我试图在没有因变量的数据集上应用核主成分分析，用k-means进行聚类分析，以便学习如何进行聚类分析。以下是我的数据集示例（根据场景，这是一个购物中心的数据集，购物中心希望根据以下数据发现其客户细分）：

首先，我省略了CustomerID列，然后对性别列进行编码，以便能够应用内核PCA。我是这样做的：

# Importing the libraries
import numpy as np
import matplotlib.pyplot as plt
import pandas as pd

# Importing the mall dataset with pandas
dataset = pd.read_csv('Mall_Customers.csv')
X = dataset.iloc[:, 1:5].values
df = pd.DataFrame(X)
#df is in order to visualize the "X" on variable explorer

#Encoding independent categorical variables 
from sklearn.preprocessing import LabelEncoder, OneHotEncoder
labelencoder_X = LabelEncoder()
X[:, 0] = labelencoder_X.fit_transform(X[:, 0])
onehotencoder = OneHotEncoder(categorical_features = [0])
X = onehotencoder.fit_transform(X).toarray()

执行此代码后，我可以获得float64类型的数组。下面是我创建的阵列中的示例：

0   1   19  15  39
0   1   21  15  81
1   0   20  16  6
1   0   23  16  77
1   0   31  17  40
1   0   22  17  76
1   0   35  18  6
1   0   23  18  94
0   1   64  19  3
1   0   30  19  72
0   1   67  19  14

---

然后，我想应用核主成分分析来得到主成分，我将在k-means中使用。然而，当我尝试执行下面的代码时，我得到了错误“TypeError:”我怀疑这就是正在发生的情况：

---

这是运行代码之前包含的文件或正在运行的某些代码的错误。问题在于“TypeError:”

n\u components='None'

。你不应该在这里放线

使用：

---

kpca=KernelPCA（n_components=None，kernel='rbf'）

你能简单地再现这个问题吗？只是一个猜测，但你的数组中可能有nan或空格（X？）。您确定显示的数组是float64吗？尝试类似于

X.astype（'float64'）

的方法，看看它是否给您带来了问题。@Stev没有，先生，我尝试过了，它顺利地输出了数据集，我的数组中也没有空白。这里是我在执行X.astype（'float64'）数组（[0,1,19,15,39.]，[0,1,21,15,81.]，[1,0,20,16,6.]，[1,0,23,16,77.]，[1,0,31,17,40.]，[1,0,22,17,76.]之后的输出，[1,0,35,18,6.]，[1,0,23,18,94.]，…..等等@TomMakin简单的问题是，即使我的数据集中没有字符串或分类值（因为我对它们进行了编码），我无法成功执行内核PCA，不知何故我得到了这个类型的错误：'@Beg，oops，应该是

n_components='None'

。如果您想将它设置为None（不需要，因为它是默认值），那么使用

kpca=KernelPCA（n_components=None，kernel='rbf'）

如果是，有什么方法可以检测并消除它吗？

0   1   19  15  39
0   1   21  15  81
1   0   20  16  6
1   0   23  16  77
1   0   31  17  40
1   0   22  17  76
1   0   35  18  6
1   0   23  18  94
0   1   64  19  3
1   0   30  19  72
0   1   67  19  14

# Applying Kernel PCA 
from sklearn.decomposition import KernelPCA
kpca = KernelPCA(n_components = 'None', kernel = 'rbf')
X = kpca.fit_transform(X)
explained_variance = kpca.explained_variance_ratio_