ValueError:无法将字符串转换为浮点SMOTE fit_示例Python过采样

我有一个信用风险分析数据集，如下所示：

Loan_ID      Age      Income(LPA)  Employed_yr    Education    Loan_status
 1            18        2.4            1            12th              1
 2            46        43             26           Post Grad         0
 3            22       12              4            Grad              0
 4            25       17              1            Grad              1

1表示违约，0表示贷款状态为非违约

现在，违约的数量非常少约为1000，而非违约的数量为25000。所以我想做过采样或合成采样。

在此之前，代码运行正常

cred_loan = pd.read_csv("Credit_Risk_Analysis.csv")
from imblearn import under_sampling, over_sampling
from imblearn.over_sampling import SMOTE
y= cred_loan.loan_status
X = cred_loan.drop('loan_status', axis=1)
from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.25, 
random_state=27)
sm = SMOTE(random_state=27, ratio=1.0)
from sklearn.linear_model import LogisticRegression

在此之后，我执行以下操作，但出现错误

[IN] X_train, y_train = sm.fit_sample(X_train, y_train)        

[OUT]ValueError                                Traceback (most recent call 
last)
<ipython-input-39-0995f82b5705> in <module>
----> 1 X_train, y_train = sm.fit_sample(X_train, y_train)
      2 

~\Anaconda3\lib\site-packages\imblearn\base.py in fit_resample(self, X, y)
     77 
     78         check_classification_targets(y)
---> 79         X, y, binarize_y = self._check_X_y(X, y)
     80 
     81         self.sampling_strategy_ = check_sampling_strategy(

~\Anaconda3\lib\site-packages\imblearn\base.py in _check_X_y(X, y)
    135     def _check_X_y(X, y):
    136         y, binarize_y = check_target_type(y, 
indicate_one_vs_all=True)
--> 137         X, y = check_X_y(X, y, accept_sparse=['csr', 'csc'])
    138         return X, y, binarize_y
    139 

~\Anaconda3\lib\site-packages\sklearn\utils\validation.py in check_X_y(X, y, 
accept_sparse, accept_large_sparse, dtype, order, copy, force_all_finite, 
ensure_2d, allow_nd, multi_output, ensure_min_samples, ensure_min_features, 
y_numeric, warn_on_dtype, estimator)
    754             warnings.warn("A column-vector y was passed when a 1d 
array was"
    755                           " expected. Please change the shape of y 
to "
--> 756                           "(n_samples, ), for example using 
ravel().",
    757                           DataConversionWarning, stacklevel=2)
    758         return np.ravel(y)

~\Anaconda3\lib\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)
    565     if copy and np.may_share_memory(array, array_orig):
    566         array = np.array(array, dtype=dtype, order=order)
--> 567 
    568     if (warn_on_dtype and dtypes_orig is not None and
    569             {array.dtype} != set(dtypes_orig)):

ValueError: could not convert string to float: 'MORTGAGE'

[IN]X\u-train，y\u-train=sm.拟合样本（X\u-train，y\u-train）
[OUT]ValueError回溯（最近一次呼叫
最后)
在里面
---->1个X_序列，y_序列=sm.拟合样本（X_序列，y_序列）
2.
~\Anaconda3\lib\site packages\imblearn\base.py in fit\u重采样（self，X，y）
77
78检查分类目标（y）
--->79 X，y，二值化_y=self._检查_X_y（X，y）
80
81自我抽样策略=检查抽样策略(
~\Anaconda3\lib\site packages\imblearn\base.py in\u check\u X\u y（X，y）
135 def检查X y（X，y）：
136 y，二值化y=检查目标类型（y，
表示“一对一=真”）
-->137 X，y=check_X_y（X，y，accept_sparse=['csr'，'csc']）
138返回X，y，二值化
139
检查中的~\Anaconda3\lib\site packages\sklearn\utils\validation.py（X，y，
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，多输出，确保最小样本，确保最小特征，
y\u数字、警告\u数据类型、估计器）
754 warnings.warn（“当1d
数组是“
预计为755英寸。请更改y的形状
"
-->756”（n_样本），例如使用
拉威尔（），
757数据转换警告，堆栈级别=2）
758返回np.ravel（y）
中的~\Anaconda3\lib\site packages\sklearn\utils\validation.py
检查数组（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\u最小\u功能，警告\u数据类型，估计器）
565如果复制和np可共享内存（数组、数组或原始）：
566 array=np.array（array，dtype=dtype，order=order）
--> 567 
568如果（在数据类型和数据类型上发出警告）原始值不是None和
569{array.dtype}！=set（dtypes_orig））：
ValueError:无法将字符串转换为浮动：“抵押”

---

有人能帮忙吗？

您应该先处理数据，使数据只留下度量数据将列转换为整数形式。您也必须有分类列。尝试预处理它们，然后应用。您应该首先处理数据，使数据只留下度量数据将列转换为整数形式。您必须g分类列。尝试对它们进行预处理，然后应用。