numpy - 将列表 reshape 为 (-1,1) 并返回 float 作为数据类型

Question

我正在尝试构建逻辑回归模型，data.Exam1 是第一列

    reg = linear_model.LogisticRegression()
    X = list(data.Exam1.values.reshape(-1,1)).........(1)

我已执行此操作

type(X[0]) returns numpy.ndarray

reg.fit 接受包含列表中所有 float 项目的参数，所以我这样做是因为这个异常 ValueError: Unknown label type: 'continuous'

newX = []
for item in X:
    type(float(item))
    newX.append(float(item))

所以当我尝试这样做时

reg.fit(newX,newY,A)

它向我抛出了这个异常

Reshape your data either using X.reshape(-1, 1) if your data has a single feature or X.reshape(1, -1) if it contains a single sample.

我已经在(1)中做了，当我尝试再次 reshape 它时，它再次返回ndarray，我怎样才能同时 reshape 和将项目转换为 float ？

Answer 1

从聊天中调整我们的解决方案

您正在尝试将录取(类型:bool)理解为考试分数(考试 1: float ，考试 2: float )的函数。你问题的关键是 sklearn.linear_model.LogisticRegression需要两个输入:

• X :训练数据的向量/矩阵，其形状(观测值数量、预测变量数量)为 float 类型
• Y :分类结果向量(在本例中为二进制)，其形状(观察数，1)，类型为 bool 或 int

您调用它的方式是尝试将 Exam2( float )作为 Exam1( float )的函数。这是根本问题。更复杂的问题是将 reshape 的 numpy 数组重新转换为列表的方式。假设data是 pandas.DataFrame ，你想要这样的东西:

X = np.vstack((data.Exam1, data.Exam2)).T 
print X.shape # should be (100, 2) 
reg.fit(X, data.Admitted)

这里，都是data.Exam1和data.Exam2是长度为 100 的向量。使用 np.vstack将它们组合成形状 (2, 100)，因此我们采用转置，以便通过沿第一维度 (100, 2) 的观察使其正确定向。无需重新创建列表，甚至不需要 data.Exam1.values作为pd.Series被重铸为 np.array期间np.vstack 。同样，data.Admitted (形状为 (100,)) 与 reg.fit 配合得很好.