在每个ML模型中，您不能按原样使用数据字符串。你必须预处理你的输入，将它们转换成数字类型。除了自然语言处理之外，您可能有一些不同的文本值（分类特征）。
例如'ChestPainType'列，应该只有4个值：['ATA', 'NAP', 'ASY', 'TA']。现在你必须将这些字符串转换为数字：“ATA”：0，“NAP”：1，“ASY”：2，“TA”：3.在Pandas中，您可以使用pd.factorize或pd.get_dummies来执行此操作，但如果您使用sklearn，请尝试LabelEncoder（特别是在需要时用于y目标）或OneHotEncoder（有时为OrdinalEncoder）。
最简单的方法是使用ColumnTransformer。
可重复的示例：

import pandas as pd
import numpy as np
from sklearn.preprocessing import OneHotEncoder
from sklearn.model_selection import train_test_split
from sklearn.compose import ColumnTransformer
from sklearn.neighbors import KNeighborsClassifier
from sklearn.metrics import confusion_matrix

# https://www.kaggle.com/datasets/fedesoriano/heart-failure-prediction
data = pd.read_csv('heart.csv')

features = data.drop(columns=['HeartDisease'])
target = df['HeartDisease']

# Text features to convert as numeric. 'M': [1, 0], 'F': [0, 1]
feat_cols = ['Sex', 'ChestPainType', 'RestingECG', 'ExerciseAngina', 'ST_Slope']

ct = ColumnTransformer(
    transformers=[('le', OrdinalEncoder(), feat_cols)],
    remainder='passthrough'
)

# Convert your data as numeric values
X = ct.fit_transform(features)
y = np.stack(target.values)

# Create 2 datasets for train and test
X_train, y_train, X_test, y_test = train_test_split(X, y, train_size=0.8)

# Missing step, use `StandardScaler` to normalize numeric values

# Train your model
model = KNeighborsClassifier(n_neighbors=31)
model.fit(X_train, y_train)

# Evaluate your model (63% here)
model.score(X_test, y_test)