0 前言

在学习机器学习时，为了便于理解观察，有时候会拿一些一维的数组进行测试，在初学阶段可能就难免会踩到这个坑。这个bug处理起来比较简单，就是将一维的数组变成二维的数组。

相关环境：

Windows 64位
Python3.9
scikit-learn1.0.2
pandas1.4.2

1 场景还原

下面用一个简单的小例子还原一下场景来看看如何处理：
在做一个线性回归训练的时候，前面读数据、画图，进展的很顺利，但是到了训练模型步骤竟然报错了，从字面意思，训练模型期望传递一个二维的数组，但是实际传递的是一维数组，从给出的信息看，是X出问题了。
相关代码如下：

# 测试代码
import pandas as pd
# 调用sklearn的线性模型
from sklearn.linear_model import LinearRegressiondata = pd.DataFrame({'x':[1,2,3,4,5,6],'y':[3,4,5,6,7,8]})
X = data.loc[:,'x']
y = data.loc[:,'y']# 实例化线性模型
lr_model = LinearRegression()# 训练模型
lr_model.fit(X,y)
# 预测x结果
y_predict = lr_model.predict(X)
# 预测具体某个值的结果
y_p = lr_model.predict([[3.5]])

报错内容：

ValueError: Expected 2D array, got 1D array instead: array=[1 2 3 4 5 6].
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.

2 解决方案

官方在报错之后也提供了相关的解决方案，只要对报错的**array=[1 2 3 4 5 6]**加一步**array.reshape(-1, 1)**转换为二维数组即可。
具体代码如下，添加了第12~13行。将Series转化为二维数组即可。

import pandas as pd
# 调用sklearn的线性模型
from sklearn.linear_model import LinearRegressiondata = pd.DataFrame({'x':[1,2,3,4,5,6],'y':[3,4,5,6,7,8]})
X = data.loc[:,'x']
y = data.loc[:,'y']# 实例化线性模型
lr_model = LinearRegression()# 将Series转化为二维数组
X = X.values.reshape(-1, 1) 
# 训练模型
lr_model.fit(X,y)
# 预测x结果
y_predict = lr_model.predict(X)
# 预测具体某个值的结果
y_p = lr_model.predict([[3.5]])

除了使用array.reshape(-1, 1)，还可以在一开始给变量**X**赋值的时候就从**data**中取出一个二维数组，使用**X = df[['x']]**即可。
具体代码如下：

import pandas as pd
# 调用sklearn的线性模型
from sklearn.linear_model import LinearRegressiondata = pd.DataFrame({'x':[1,2,3,4,5,6],'y':[3,4,5,6,7,8]})
# X = data.loc[:,'x']
X = data[['x']].values      # values是转化为数组，不转也不影响最终的结果，只是会有一个提示：X does not have valid feature names
y = data.loc[:,'y']# 实例化线性模型
lr_model = LinearRegression()# 训练模型
lr_model.fit(X,y)
# 预测x结果
y_predict = lr_model.predict(x)
# 预测具体某个值的结果
y_p = lr_model.predict([[3.5]])

注：这里忽略了一些查看数据的过程，大家有需要自己打印出来看看。