如何解决 Python 中的“ValueError：找到样本数量不一致的输入变量”问题答案

【问题标题】：How to fix the issue "ValueError: Found input variables with inconsistent numbers of samples" in Python如何解决 Python 中的“ValueError：找到样本数量不一致的输入变量”问题
【发布时间】：2021-03-27 18:54:15
【问题描述】：

我有两个文件，即 data [3806, 2] 和 target [4039, 2]。我的目标是将这些文件拆分为训练和测试数据集。我已经尝试过：

from sklearn.model_selection import train_test_split
data_train, data_test, target_train, target_test = train_test_split(data, target, test_size=0.2, random_state=0)

但是，它给出了错误：

ValueError: Found input variables with inconsistent numbers of samples: [3806, 4039]

为了运行分类算法，该问题的最佳解决方案是什么？

【问题讨论】：

标签： classification text-classification supervised-learning

【解决方案1】：

train_test_split 的作用存在混淆：它的目标是在训练集和测试集之间拆分数据。通常输入数据由两个数组组成：X 用于特征，y 用于标签，函数随机选择给定比例的行作为测试集，其余的作为训练集。示例：

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.33, random_state=42)

用于测试集的行与X 和y 中的相同，因此输出数组仍然包含每个实例的正确标签：例如，在两者中都选择了第 3、5、6、8 行数组，并且第 3 行的特征仍然对应于第 3 行的标签。这就是为什么两个输入数组必须具有相同的长度。

在您的代码中，您给出了两个长度不同的数组，因此会出现错误。

您希望将其中一个数组用作训练集，将另一个数组用作测试集，在这种情况下，您无需调用train_test_split，因为您的数据已经拆分。
或者你想从这两个数据集的并集中随机选择一个测试集，在这种情况下你应该在调用train_test_split之前连接两个数组的行。

【讨论】：

【解决方案2】：

“训练和测试数据集的大小不相等：”

我假设您已经完成了生成 X 特征和 y 标签集其中包含相同数量的数据。如果没有再次检查该步骤！

例如：

features = Sample_Set.drop('X', axis=1)
labels = Sample_Set['X']

现在，您将生成 X_train、X_test、y_train、y_test

*** 别忘了 train_test_split 只能将数据集一分为二。因此，通过这一步，您可以从 33% 的数据生成训练集，剩下的 67% 用于验证和测试集。因此，您将更难拆分它们。

为什么不取 test_size=0.4，这样你就有 60% 用于训练，剩下 40% 用于验证和测试，很容易分成两半？

我们将有 60% 的数据作为“训练集”，40% 的数据作为“测试集”

X_train, X_test, y_train, y_test = train_test_split(features, labels, test_size=0.4, random_state=42)

将 test_size 更改为 50%，这样一半将进入我们的“测试集”，另一半进入我们的“验证测试”

X_test, X_val, y_test, y_val = train_test_split(X_test, y_test, test_size=0.5, random_state=42)

【讨论】：