Question

我试图将函数传递给tf数据集以对数据框中的非数字数据进行归一化，但是我不断收到此错误：

TypeError：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)

Answer 1

按照您的代码， ds 的类型是BatchDataSet，其element_spec是大小为2的元组，但是您的norm函数仅需要一个参数，这就是为什么它会升高

takes 1 positional argument but 2 were given

更多细节，第一个元素的类型是dict，另一个是TensorSpec。因此，只需像这样更新您的规范函数即可：

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

tf__norm（）接受1个位置参数，但给出了2个

1 个答案: