Tensorflow tf__norm（）接受1个位置参数，但给出了2个

我试图向tf数据集传递一个函数，以规范化数据帧中的非数字数据，但我不断收到以下错误：

TypeError:在用户代码中： TypeError:tf__norm（）接受1个位置参数，但给出了2个

def norm(dataframe):
    for header in dataframe._get_numeric_data().columns:
        dataframe[header] = (dataframe[header] - dataframe[header].mean())/dataframe[header].std()
    return dataframe

train, val= train_test_split( dataframe, test_size =0.2)

def df_to_dataset(dataframe, shuffle=True, batch_size=32):
    dataframe = dataframe.copy()
    labels = dataframe.pop("target")
    ds = tf.data.Dataset.from_tensor_slices((dict(dataframe), labels))
    if shuffle:
        ds = ds.shuffle(buffer_size=len(dataframe))
    ds = ds.batch(batch_size)
    ds=ds.map(norm)
    return ds

    
train_ds=  df_to_dataset(train, shuffle=False, batch_size=32) 
val_ds = df_to_dataset(val, shuffle=False)

---

按照你的代码，ds的类型是BatchDataSet，它的元素规格是tuple，大小是2，但是你的norm函数只需要一个参数，这就是为什么它会提升

接受1个位置参数，但给出了2个

更详细地说，第一个元素的类型是dict，另一个是TensorSpec。因此，只需如下更新您的norm函数：

def norm(df_as_dict, tensor_spec):
    ...
    do some work for df_as_dict
    ...