Numpy ValueError:使用决策树序列设置数组元素，其中所有行的元素相等？

我试图将决策树与特征和标签矩阵相匹配。这是我的密码：

print FEATURES_DATA[0]
print ""
print TARGET[0]
print ""
print np.unique(list(map(len, FEATURES_DATA[0])))

这将提供以下输出：

[ array([[3, 3, 3, ..., 7, 7, 7],
       [3, 3, 3, ..., 7, 7, 7],
       [3, 3, 3, ..., 7, 7, 7],
       ..., 
       [2, 2, 2, ..., 6, 6, 6],
       [2, 2, 2, ..., 6, 6, 6],
       [2, 2, 2, ..., 6, 6, 6]], dtype=uint8)]

[ array([[31],
       [31],
       [31],
       ..., 
       [22],
       [22],
       [22]], dtype=uint8)]

[463511]

该矩阵实际上包含463511个样本

此后，我运行以下块：

from sklearn.tree import DecisionTreeClassifier
for i in xrange(5):
    Xtrain=FEATURES_DATA[i]
    Ytrain=TARGET[i]
    clf=DecisionTreeClassifier()
    clf.fit(Xtrain,Ytrain)

这给了我以下错误：

---------------------------------------------------------------------------
ValueError                                Traceback (most recent call last)
<ipython-input-4-3d8b2a7a3e5f> in <module>()
      4     Ytrain=TARGET[i]
      5     clf=DecisionTreeClassifier()
----> 6     clf.fit(Xtrain,Ytrain)

C:\Users\singhg2\AppData\Local\Enthought\Canopy\User\lib\site-packages\sklearn\tree\tree.pyc in fit(self, X, y, sample_weight, check_input, X_idx_sorted)
    152         random_state = check_random_state(self.random_state)
    153         if check_input:
--> 154             X = check_array(X, dtype=DTYPE, accept_sparse="csc")
    155             if issparse(X):
    156                 X.sort_indices()

C:\Users\singhg2\AppData\Local\Enthought\Canopy\User\lib\site-packages\sklearn\utils\validation.pyc in check_array(array, accept_sparse, dtype, order, copy, force_all_finite, ensure_2d, allow_nd, ensure_min_samples, ensure_min_features, warn_on_dtype, estimator)
    371                                       force_all_finite)
    372     else:
--> 373         array = np.array(array, dtype=dtype, order=order, copy=copy)
    374 
    375         if ensure_2d:

ValueError: setting an array element with a sequence.

我搜索了SO上的其他帖子，发现大多数答案都是矩阵不是完全的数字，或者数组在样本长度上有所不同。但是，我的问题不是这样吗

有什么帮助吗？

如果打印功能\u数据[0] 实际打印

[ array([[3, 3, 3, ..., 7, 7, 7],
       [3, 3, 3, ..., 7, 7, 7],
       [3, 3, 3, ..., 7, 7, 7],
       ..., 
       [2, 2, 2, ..., 6, 6, 6],
       [2, 2, 2, ..., 6, 6, 6],
       [2, 2, 2, ..., 6, 6, 6]], dtype=uint8)]

那么问题是FEATURES_DATA[0]是一个python列表，其中包含一个numpy数组。您可以从[和]

您可以选择列表的第一个也是唯一一个元素来修复它

from sklearn.tree import DecisionTreeClassifier
for i in xrange(5):
    Xtrain=FEATURES_DATA[i][0]
    Ytrain=TARGET[i][0]
    clf=DecisionTreeClassifier()
    clf.fit(Xtrain,Ytrain)

如果打印特征为\u数据[0] 实际打印

[ array([[3, 3, 3, ..., 7, 7, 7],
       [3, 3, 3, ..., 7, 7, 7],
       [3, 3, 3, ..., 7, 7, 7],
       ..., 
       [2, 2, 2, ..., 6, 6, 6],
       [2, 2, 2, ..., 6, 6, 6],
       [2, 2, 2, ..., 6, 6, 6]], dtype=uint8)]

那么问题是FEATURES_DATA[0]是一个python列表，其中包含一个numpy数组。您可以从[和]

您可以选择列表的第一个也是唯一一个元素来修复它

from sklearn.tree import DecisionTreeClassifier
for i in xrange(5):
    Xtrain=FEATURES_DATA[i][0]
    Ytrain=TARGET[i][0]
    clf=DecisionTreeClassifier()
    clf.fit(Xtrain,Ytrain)

---

这确实解决了问题。但如何扩大培训规模？e、 g.这一行的内容：Xtrain=Xtrain.appendFEATURES_DATA[i][0]如果您只想将Xtrain的大小增加一倍，则可以使用重复项填充它，您可以执行Xtrain=numpy.concatenateExtrain，Xtrain不会将大小增加一倍，而是希望Xtrain随着每次迭代而增长。因此，对于第一次迭代，它应该是FEATURES_DATA[i][0]，但是对于第二次迭代，它应该是FEATURES_DATA[i][0]和FEATURES_DATA[i][1]连接在一起。我尝试了串联，但它给了我一个错误，根据打印输出功能，只有长度为1的数组才能转换为Python标量。\u数据[0][1]不存在，应该会引发异常。你能提供特征的形状和数据吗？尝试打印np.asarrayFEATURES_DATA.shapeI获得以下输出：6L，1L这确实解决了问题。但如何扩大培训规模？e、 g.这一行的内容：Xtrain=Xtrain.appendFEATURES_DATA[i][0]如果您只想将Xtrain的大小增加一倍，则可以使用重复项填充它，您可以执行Xtrain=numpy.concatenateExtrain，Xtrain不会将大小增加一倍，而是希望Xtrain随着每次迭代而增长。因此，对于第一次迭代，它应该是FEATURES_DATA[i][0]，但是对于第二次迭代，它应该是FEATURES_DATA[i][0]和FEATURES_DATA[i][1]连接在一起。我尝试了串联，但它给了我一个错误，根据打印输出功能，只有长度为1的数组才能转换为Python标量。\u数据[0][1]不存在，应该会引发异常。你能提供特征的形状和数据吗？尝试打印np.asarrayFEATURES\u DATA.shapeI获得以下输出：6L，1L