提高 ValueError("np.nan is an invalid document, expected byte or "

Question

我在 scikit-learn 中使用 CountVectorizer() 来向量化特征序列。我收到如下错误：

ValueError: np.nan is an invalid document, expected byte or unicode string.

我正在使用包含两列 CONTENT 和 sentiment 的示例 csv 数据集。

这是我的代码：

df = pd.read_csv("train.csv",encoding = "ISO-8859-1")
X, y = df.CONTENT, df.sentiment

X_train, X_test, y_train, y_test = train_test_split(X, y, random_state=42)
print X_train, y_train

vect = CountVectorizer(ngram_range=(1,3), analyzer='word', encoding = "ISO-8859-1")
print vect
X=vect.fit_transform(X_train, y_train)
y=vect.fit(X_test) 
print vect.get_feature_names()

完整的错误信息如下：

File "C:/Users/HP/cntVect.py", line 28, in <module>
    X=vect.fit_transform(X_train, y_train)

  File "C:\ProgramData\Anaconda2\lib\site-packages\sklearn\feature_extraction\text.py", line 839, in fit_transform
    self.fixed_vocabulary_)

  File "C:\ProgramData\Anaconda2\lib\site-packages\sklearn\feature_extraction\text.py", line 762, in _count_vocab
    for feature in analyze(doc):

  File "C:\ProgramData\Anaconda2\lib\site-packages\sklearn\feature_extraction\text.py", line 241, in <lambda>
    tokenize(preprocess(self.decode(doc))), stop_words)

  File "C:\ProgramData\Anaconda2\lib\site-packages\sklearn\feature_extraction\text.py", line 121, in decode
    raise ValueError("np.nan is an invalid document, expected byte or "

ValueError: np.nan is an invalid document, expected byte or unicode string.

Answer 1

用空格替换 NaN - 这应该会让 CountVectorizer 高兴：

X, y = df.CONTENT.fillna(' '), df.sentiment

Answer 2

您没有正确处理 NaN，即“不是数字”。使用 python 的 fillna() 方法 fill/replace pandas dataframe 中的缺失值或 NaN 值为您想要的值。

因此，而不是：

X, y = df.CONTENT, df.sentiment

使用：

X, y = df.CONTENT.fillna(' '), df.sentiment

其中 NaN 被 <spaces> 替换。

Answer 3

我从你的问题中可以猜到内容中的某些字段是空的。您可以按照 fillna 方法或通过 df[df["Content"].notnull()] 删除列。这将为您提供没有 NAN 值的数据集。

提高 ValueError("np.nan is an invalid document, expected byte or "

raise ValueError("np.nan is an invalid document, expected byte or "

python

pandas

scikit-learn

valueerror

countvectorizer