train_test_split 产生不一致的样本答案

【问题标题】：train_test_split producing inconsistent samplestrain_test_split 产生不一致的样本
【发布时间】：2019-11-13 09:00:23
【问题描述】：

我正在使用sklearn 的train_test_split 为我的数据创建一个训练集和测试集。

我的脚本如下：

import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn import neighbors
# function to perform one hot encoding and dropping the original item
# in this case its the part number
def encode_and_bind(original_dataframe, feature_to_encode):
    dummies = pd.get_dummies(original_dataframe[[feature_to_encode]])
    res = pd.concat([original_dataframe, dummies], axis=1)
    res = res.drop([feature_to_encode], axis=1)
    return(res)

# read in data from csv
data = pd.read_csv('export2.csv')

# one hot encode the part number
new = encode_and_bind(data, 'PART_NO')

# create the labels, or field we are trying to estimate
label = new['TOTAL_DAYS_TO_COMPLETE']
# remove the header
label = label[1:]

# create the data, or the data that is to be estimated
thedata = new.drop('TOTAL_DAYS_TO_COMPLETE', axis=1)
# remove the header
thedata = thedata[1:]

print(label.shape)
print(thedata.shape)

# # split into training and testing sets
train_data, train_classes, test_data, test_classes = train_test_split(thedata, label, test_size = 0.3)

# create a knn model
knn = neighbors.KNeighborsRegressor()
# fit it with our data
knn.fit(train_data, train_classes)

运行它，我得到以下信息：

C:\Users\jerry\Desktop>python test.py (6262,) (6262, 253) Traceback （最近一次通话最后）：文件“test.py”，第 37 行，在 knn.fit(train_data, train_classes) 文件“C:\Python367-64\lib\site-packages\sklearn\neighbors\base.py”，行 872，合身 X, y = check_X_y(X, y, "csr", multi_output=True) 文件 "C:\Python367-64\lib\site-packages\sklearn\utils\validation.py"，行第729章 check_consistent_length(X, y) 文件“C:\Python367-64\lib\site-packages\sklearn\utils\validation.py”，行 205，在 check_consistent_length " samples: %r" % [int(l) for l in lengths]) ValueError: 发现样本数量不一致的输入变量：[4383, 1879]

所以，看起来我的 X 和 Y 的行数相同 (6262)，但列数不同，因为我认为 Y 应该只是标签的一列或您试图预测的值。

如何使用 train_test_split 为我提供可用于 KNN 回归器的训练和测试数据集？

【问题讨论】：

标签： python python-3.x scikit-learn

【解决方案1】：

据我所知，您已经切换了train_test_split 的输出。

函数按顺序返回：训练特征、测试特征、训练标签、测试标签。

常见的命名约定是X_train, X_test, y_train, y_test=...，其中X 是特征（列或特征），yy 是目标（标签，或者我假设是代码中的“类”）

您似乎正试图让它返回，而不是 X_train, y_train, X_test, y_test

试试这个，看看它是否适合你：

train_data, test_data, train_classes, test_classes = train_test_split(thedata, label, test_size = 0.3)

【讨论】：