Błąd w skrypcie Pythona „Oczekiwano tablicy 2D, zamiast niej otrzymano tablicę 1D:”?

Postępuję zgodnie z tym samouczkiem, aby sformułować prognozę ML:

import numpy as np
import matplotlib.pyplot as plt
from matplotlib import style

style.use("ggplot")
from sklearn import svm

x = [1, 5, 1.5, 8, 1, 9]
y = [2, 8, 1.8, 8, 0.6, 11]

plt.scatter(x,y)
plt.show()

X = np.array([[1,2],
             [5,8],
             [1.5,1.8],
             [8,8],
             [1,0.6],
             [9,11]])

y = [0,1,0,1,0,1]
X.reshape(1, -1)

clf = svm.SVC(kernel='linear', C = 1.0)
clf.fit(X,y)

print(clf.predict([0.58,0.76]))

Używam Pythona 3.6 i otrzymuję błąd „Oczekiwana tablica 2D, zamiast niej otrzymałem tablicę 1D:” Myślę, że skrypt jest przeznaczony dla starszych wersji, ale nie wiem, jak przekonwertować go do wersji 3.6.

Już spróbuj z:

X.reshape(1, -1)

Powinieneś po prostu podać predictmetodę z tą samą tablicą 2D, ale z jedną wartością, którą chcesz przetworzyć (lub więcej). Krótko mówiąc, możesz po prostu wymienić

[0.58,0.76]

Z

[[0.58,0.76]]

I powinno działać.

EDYCJA: Ta odpowiedź stała się popularna, więc pomyślałem, że dodam trochę więcej wyjaśnień na temat ML. Krótka wersja: możemy używać tylko predictna danych, które mają taką samą wymiarowość jak dane uczące ( X).

W omawianym przykładzie podajemy komputerowi kilka wierszy X(po 2 wartości w każdym) i pokazujemy mu prawidłowe odpowiedzi w formacie y. Kiedy chcemy predictużyć nowych wartości, nasz program oczekuje tego samego - kilku wierszy. Nawet jeśli chcemy to zrobić tylko dla jednego wiersza (z dwiema wartościami), ten wiersz musi być częścią innej tablicy.

Problem występuje podczas uruchamiania przewidywania na tablicy [0.58,0.76]. Rozwiąż problem, zmieniając jego kształt, zanim zadzwonisz predict():

import numpy as np
import matplotlib.pyplot as plt
from matplotlib import style

style.use("ggplot")
from sklearn import svm

x = [1, 5, 1.5, 8, 1, 9]
y = [2, 8, 1.8, 8, 0.6, 11]

plt.scatter(x,y)
plt.show()

X = np.array([[1,2],
             [5,8],
             [1.5,1.8],
             [8,8],
             [1,0.6],
             [9,11]])

y = [0,1,0,1,0,1]

clf = svm.SVC(kernel='linear', C = 1.0)
clf.fit(X,y)

test = np.array([0.58, 0.76])
print test       # Produces: [ 0.58  0.76]
print test.shape # Produces: (2,) meaning 2 rows, 1 col

test = test.reshape(1, -1)
print test       # Produces: [[ 0.58  0.76]]
print test.shape # Produces (1, 2) meaning 1 row, 2 cols

print(clf.predict(test)) # Produces [0], as expected

Stosuję poniższe podejście.

reg = linear_model.LinearRegression()
reg.fit(df[['year']],df.income)

reg.predict([[2136]])

Napotkałem ten sam problem, z wyjątkiem tego, że typem danych instancji, którą chciałem przewidzieć, był panda.Seriesobiekt.

Po prostu musiałem przewidzieć jedną instancję wejściową. Wziąłem to z wycinka moich danych.

df = pd.DataFrame(list(BiogasPlant.objects.all()))
test = df.iloc[-1:]       # sliced it here

W takim przypadku musisz przekonwertować go na tablicę 1-D, a następnie reshapeją.

 test2d = test.values.reshape(1,-1)

Od docs , valuesprzekonwertuje Series w numpy tablicy.

Miałem ten sam problem. Musisz po prostu uczynić z niej tablicę, a ponadto musisz umieścić podwójne nawiasy kwadratowe, aby uczynić z niej pojedynczy element tablicy 2D, ponieważ pierwszy nawias inicjuje tablicę, a drugi czyni ją elementem tej tablicy.

Więc po prostu zamień ostatnie stwierdzenie na:

print(clf.predict(np.array[[0.58,0.76]]))

Miałem ten sam problem wcześniej, ale jakoś znalazłem rozwiązanie, możesz spróbować reg.predict([[3300]]).

API używane do dopuszczania wartości skalarnych, ale teraz musisz podać tablicę 2D.

Po prostu wstaw argument między podwójnym nawiasem kwadratowym:

regressor.predict ([[wartości]])

to zadziałało dla mnie

Dzięki jednej funkcji moja lista Dataframe jest konwertowana na Serię. Musiałem przekonwertować go z powrotem na listę Dataframe i zadziałało.

if type(X) is Series:
    X = X.to_frame()

Macierz X i Y zmiennej niezależnej i zmiennej zależnej odpowiednio do DataFrame z typu int64, tak aby została przekonwertowana z tablicy 1D na tablicę 2D .. tj. X = pd.DataFrame (X) i Y = pd.dataFrame (Y), gdzie pd należy do klasy pandy w języku Python. a zatem skalowanie funkcji z kolei nie prowadzi do żadnego błędu!