ValueError：预期的 2D 数组，得到 1D 数组：答案

【问题标题】：ValueError: Expected 2D array, got 1D array instead:ValueError：预期的 2D 数组，得到 1D 数组：
【发布时间】：2018-12-11 12:09:48
【问题描述】：

在练习简单线性回归模型时，我遇到了这个错误，我认为我的数据集有问题。

Here is my data set:

Here is independent variable X:

Here is dependent variable Y:

Here is X_train

Here Is Y_train

这是错误正文：

ValueError: Expected 2D array, got 1D array instead:
array=[ 7.   8.4 10.1  6.5  6.9  7.9  5.8  7.4  9.3 10.3  7.3  8.1].
Reshape your data either using array.reshape(-1, 1) if your data has a single feature or array.reshape(1, -1) if it contains a single sample.

这是我的代码：

import pandas as pd
import matplotlib as pt

#import data set

dataset = pd.read_csv('Sample-data-sets-for-linear-regression1.csv')
x = dataset.iloc[:, 1].values
y = dataset.iloc[:, 2].values

#Spliting the dataset into Training set and Test Set
from sklearn.cross_validation import train_test_split
x_train, x_test, y_train, y_test = train_test_split(x, y, test_size= 0.2, random_state=0)

#linnear Regression

from sklearn.linear_model import LinearRegression

regressor = LinearRegression()
regressor.fit(x_train,y_train)

y_pred = regressor.predict(x_test)

谢谢

【问题讨论】：

标签： python-3.x scikit-learn linear-regression

【解决方案1】：

您需要为fit 和predict 方法提供二维数组。您的 x_train、y_train 和 x_test 目前只有 1D。控制台建议的内容应该有效：

x_train= x_train.reshape(-1, 1)
y_train= y_train.reshape(-1, 1)
x_test = x_test.reshape(-1, 1)

这使用 numpy 的 reshape。关于reshape 的问题过去已经回答过，例如应该回答reshape(-1,1) 的含义：What does -1 mean in numpy reshape?

【讨论】：

你不应该重塑y_train，因为你希望它是一维数组。

【解决方案2】：

如果您查看LinearRegression of scikit-learn 的文档。

fit(X, y, sample_weight=None)

X : numpy 数组或形状为 [n_samples,n_features] 的稀疏矩阵

预测（X）

X : {array-like, sparse matrix}, shape = (n_samples, n_features)

如您所见，X 有 2 个维度，而您的 x_train 和 x_test 显然只有一个。按照建议，添加：

x_train = x_train.reshape(-1, 1)
x_test = x_test.reshape(-1, 1)

在拟合和预测模型之前。

【讨论】：

【解决方案3】：

使用

y_pred = regressor.predict([[x_test]])

【讨论】：

【解决方案4】：

很多时候在做线性回归问题时，人们喜欢想象这个图

在输入中，我们有一个 X of X = [1,2,3,4,5]

但是，许多回归问题都有多维输入。考虑对房价的预测。这不是决定房价的一个属性。它具有多种功能（例如：房间数量、位置等）

如果您查看文档，您会看到这个

它告诉我们行由样本组成，而列由特征组成。

但是，考虑一下当他将一个特征作为我们的输入时会发生什么。然后我们需要一个 n x 1 维输入，其中 n 是样本数，1 列代表我们唯一的特征。

为什么 array.reshape(-1, 1) 建议有效？ -1 表示根据提供的列数选择有效的行数。请参阅图像以了解它在输入中的变化。

【讨论】：

很好的解释，我认为这应该是正确的答案。

【解决方案5】：

我建议在拆分成训练和测试数据集之前先重塑 X：

import pandas as pd
import matplotlib as pt

#import data set

dataset = pd.read_csv('Sample-data-sets-for-linear-regression1.csv')
x = dataset.iloc[:, 1].values
y = dataset.iloc[:, 2].values
# Here is the trick
x = x.reshape(-1,1)

#Spliting the dataset into Training set and Test Set
from sklearn.cross_validation import train_test_split
x_train, x_test, y_train, y_test = train_test_split(x, y, test_size= 0.2, random_state=0)

#linnear Regression

from sklearn.linear_model import LinearRegression

regressor = LinearRegression()
regressor.fit(x_train,y_train)

y_pred = regressor.predict(x_test)

【讨论】：

【解决方案6】：

这是我用的

X_train = X_train.values.reshape(-1, 1)
y_train = y_train.values.reshape(-1, 1)
X_test = X_test.values.reshape(-1, 1)
y_test = y_test.values.reshape(-1, 1)

【讨论】：

【解决方案7】：

这就是解决办法

regressor.predict([[x_test]])

对于多项式回归：

regressor_2.predict(poly_reg.fit_transform([[x_test]]))

【讨论】：

【解决方案8】：

修改

regressor.fit(x_train,y_train)
y_pred = regressor.predict(x_test)

到

regressor.fit(x_train.values.reshape(-1,1),y_train)
y_pred = regressor.predict(x_test.values.reshape(-1,1))

【讨论】：