TF可以从一个数据帧自动创建张量，只要它只有一种数据类型，在这种情况下，它似乎具有不同的数据类型。
没有
literal_eval代码似乎可以正常工作，因为每个功能都是字符串，而不是混合类型：
train = pd.read_csv("train.csv", names=CSV_COLUMN_NAMES, header=0, delimiter=",")Features,labels = train,train.pop('type')dataset = tf.data.Dataset.from_tensor_slices((dict(Features), labels))iterator = dataset.make_initializable_iterator()next_element = iterator.get_next()with tf.Session() as sess: sess.run(iterator.initializer) print(sess.run(next_element)) print(sess.run(next_element))输出：
({'y': b'[2, 3, 4]', 'x': b'[1, 2, 3]'}, b'A')({'y': b'[0, 1, 2]', 'x': b'[2, 7, 9]'}, b'B')基于此解决方案：（如何将具有对象dtype的Numpy
2D数组转换为浮点数的常规2D数组）如果我们将混合对象类型转换为相同的对象（使用np.vstack），则可以正常工作。
train['x'] = train['x'].apply(literal_eval)train['y'] = train['y'].apply(literal_eval)Features,labels = train,train.pop('type')dataset = tf.data.Dataset.from_tensor_slices(((np.vstack(Features['x']), np.vstack(Features['y'])), labels))iterator = dataset.make_initializable_iterator()next_element = iterator.get_next()with tf.Session() as sess: sess.run(iterator.initializer) print(sess.run(next_element)) print(sess.run(next_element))输出：
((array([1, 2, 3]), array([2, 3, 4])), b'A')((array([2, 7, 9]), array([0, 1, 2])), b'B')
