只是试图做一个简单的线性回归，但我对这个错误感到困惑：
regr = LinearRegression()
regr.fit(df2.iloc[1:1000, 5].values, df2.iloc[1:1000, 2].values)
产生：
ValueError: Found arrays with inconsistent numbers of samples: [ 1 999]
这些选择必须具有相同的维度，并且它们应该是 numpy 数组，所以我缺少什么？
【问题讨论】：
标签： scikit-learn
在火车测试拆分期间，您可能犯了一个错误
x_train,x_test,y_train,y_test=sklearn.model_selection.train_test_split(X,Y,test_size)
上面的代码是正确的
你可能做了下面的错误
x_train,y_train,x_test,y_test=sklearn.model_selection.train_test_split(X,Y,test_size)
【讨论】：
看起来sklearn需要（行号，列号）的数据形状。
如果您的数据形状是（行号，），例如(999, )，则它不起作用。
通过使用numpy.reshape()，您应该将数组的形状更改为(999, 1)，例如使用
data=data.reshape((999,1))
就我而言，它适用于此。
【讨论】：
我遇到了类似的问题。我的问题是，X 中的行数不等于 y 中的行数。
即特征列中的条目数不等于目标变量中的整体数，因为我从特征列中删除了一些行。
【讨论】：
见于 Udacity 深度学习基础课程：
df = pd.read_csv('my.csv')
...
regr = LinearRegression()
regr.fit(df[['column x']], df[['column y']])
【讨论】：
如上所述，X 参数必须是矩阵或具有已知维度的 numpy 数组。所以你可能会使用这个：
df2.iloc[1:1000, 5:some_last_index].values
因此您的数据框将被转换为具有已知维度的数组，您无需对其进行整形
【讨论】：
分析两个数组（array1和array2）需要满足以下两个要求：
1) 它们需要是一个 numpy.ndarray
检查
type(array1)
# and
type(array2)
如果至少其中一个不是这种情况，请执行
array1 = numpy.ndarray(array1)
# or
array2 = numpy.ndarray(array2)
2) 尺寸需要如下：
array1.shape #shall give (N, 1)
array2.shape #shall give (N,)
N 是数组中的项目数。 要为 array1 提供正确数量的轴，请执行：
array1 = array1[:, numpy.newaxis]
【讨论】：
我遇到此错误是因为我将数据转换为 np.array。我通过将我的数据转换为 np.matrix 并进行转置来解决了这个问题。
值错误：
regr.fit(np.array(x_list), np.array(y_list))
正确：
regr.fit(np.transpose(np.matrix(x_list)), np.transpose(np.matrix(y_list)))
【讨论】：
看起来您正在使用 pandas 数据框（来自名称 df2）。
您还可以执行以下操作：
regr = LinearRegression()
regr.fit(df2.iloc[1:1000, 5].to_frame(), df2.iloc[1:1000, 2].to_frame())
注意：我已删除“值”，因为它将熊猫系列转换为 numpy.ndarray 并且 numpy.ndarray 没有属性 to_frame()。
【讨论】：
expects X(feature matrix)
尝试将您的特征放在这样的元组中：
功能 = ['电视'、'广播'、'报纸'] X = 数据[特征]
【讨论】：
我认为 regr.fit 的“X”参数需要是一个矩阵，所以下面应该可以工作。
regr = LinearRegression()
regr.fit(df2.iloc[1:1000, [5]].values, df2.iloc[1:1000, 2].values)
【讨论】：