Python sklearn二维离散线性回归

我在以元组形式对二维分散执行sklearn线性回归时遇到问题。我的数据由csv文件中的文本生成，即使用

np.genfromtxt

以下是我的代码中完全可操作的部分：

导入模块：

import numpy as np
import scipy
import matplotlib as mpl
import matplotlib.pyplot as plt
from pylab import *

from matplotlib import pyplot as plt
from matplotlib import rc

from sklearn import linear_model

元组形式的数据集：

bpt_class_sey, logLOIII_blue_sey, logLOIII_red_sey, logOII_OIII_sey = np.genfromtxt('/Users/iMacHome/Downloads/seyfert_LOIII_LOGOIIOIII.csv', delimiter=',', unpack=True)

回归：

regr = linear_model.LinearRegression()

regr.fit(logLOIII_blue_sey, logOII_OIII_sey)

回归图：

axScatter.plot(logLOIII_blue_sey, regr.predict(logLOIII_blue_sey), color='blue',linewidth=3)

现在，我收到以下错误：

IndexError: tuple index out of range

我想知道是否有人知道如何快速解决这个小问题。我已经在网上尽可能多地查看了，但是没有任何东西可以解释为什么会发生这种情况/可能的解决方案，甚至没有任何东西可以解释一种全新的方式，以我现有的格式对数据集执行统计上可靠的线性回归。完整代码如下：

import numpy as np
import scipy
import matplotlib as mpl
import matplotlib.pyplot as plt
from pylab import *

from matplotlib import pyplot as plt
from matplotlib import rc

from sklearn import datasets, linear_model

bpt_class_comp, logLOIII_blue_comp, logLOIII_red_comp, logOII_OIII_comp = np.genfromtxt('/Users/iMacHome/Downloads/composite_LOIII_LOGOIIOIII.csv', delimiter=',', unpack=True)
bpt_class_sf, logLOIII_blue_sf, logLOIII_red_sf, logOII_OIII_sf         = np.genfromtxt('/Users/iMacHome/Downloads/starforming_LOIII_LOGOIIOIII.csv', delimiter=',', unpack=True)
bpt_class_sey, logLOIII_blue_sey, logLOIII_red_sey, logOII_OIII_sey     = np.genfromtxt('/Users/iMacHome/Downloads/seyfert_LOIII_LOGOIIOIII.csv', delimiter=',', unpack=True)

regr = linear_model.LinearRegression()

regr.fit(logLOIII_blue_sey, logOII_OIII_sey)

fig = plt.figure(132)

axScatter = fig.add_subplot(131)
axScatter.set_ylabel(r'$\mathrm{log([OII]/[OIII])}$', fontsize='medium')
axScatter.set_xlabel(r'$\mathrm{log[}L\mathrm{_{[OIII]}\ (erg\ {s^{-1}})]}$', fontsize='medium')
axScatter.set_ylim(-1.5, 1.0)
axScatter.set_xlim(39, 44)
axScatter.tick_params(axis='both', which='major', labelsize=10)
axScatter.tick_params(axis='both', which='minor', labelsize=10)
axScatter.xaxis.labelpad = 10
axScatter.scatter(logLOIII_blue_sey, logOII_OIII_sey, marker="o", c='0.1',s=15,lw=1)
axScatter.scatter(logLOIII_blue_comp, logOII_OIII_comp, marker="o", c='#6633ff',s=15,lw=1)
axScatter.scatter(logLOIII_blue_sf, logOII_OIII_sf, marker="o", c='0.7',s=15,lw=1)

axScatter.plot([logLOIII_blue_sey, regr.predict(logLOIII_blue_sey)], color='blue',linewidth=3)

axScatter = fig.add_subplot(132)
#axScatter.set_ylabel(r'$\mathrm{log([OII]/[OIII])}$', fontsize='medium')
axScatter.set_xlabel(r'$\mathrm{log[}L\mathrm{_{[OIII]} (erg {s^{-1}})]}$', fontsize='medium')
axScatter.set_ylim(-1.5, 1.0)
axScatter.set_xlim(39, 44)
axScatter.tick_params(axis='both', which='major', labelsize=10)
axScatter.tick_params(axis='both', which='minor', labelsize=10)
axScatter.xaxis.labelpad = 10
axScatter.scatter(logLOIII_red_sey, logOII_OIII_sey, marker="o", c='0.1',s=15,lw=1)
axScatter.scatter(logLOIII_red_comp, logOII_OIII_comp, marker="o", c='#6633ff',s=15,lw=1)
axScatter.scatter(logLOIII_red_sf, logOII_OIII_sf, marker="o", c='0.7',s=15,lw=1)

axHistogram = fig.add_subplot(133)

plt.show()

例如，使用：

print logLOIII_blue_sey

收益率：

[ 42.30730188  42.67215043  42.15924954  41.61370469  41.94149606
  41.22327958  42.15549254  42.07837228  41.43995205  41.44106463]

print logLOIII_blue_sey

[ -0.05883232 -0.10934038 -0.10249362  0.71041126  0.12462513  0.69641850
   0.11334571         nan -0.07256197  0.72781828  0.02585652  0.70823414]

---

Michael，虽然听起来很烦人，但StackOverflow鼓励成员发布MCVE（一个最小完整的可验证代码示例），这意味着您应该使用完整的代码来完成OP，而不仅仅是一些SLOC摘录，以及（可能作为子示例）您的数据文件，这些代码都是设计用来使用的。如果您重新考虑这个StackOverflow政策，并请完成您的帖子，那将是非常好的。一点问题都没有。我不想用代码把问题弄得太多。我认为问题来自Logloii_blue_sey tupleGreat中的“nan”。只需检查一下，您的问题域NaN的公共理智是什么&您已经完成了，对吗？尝试了删除NaN的新csv代码，它仍然没有很好地响应元组。我和我相信许多其他人，衷心感谢您愿意更新您的问题并尝试进行MCVE。然而，这里的内容还不是最小的，也不是完整的，因为它a）有很多额外的东西，比如与问题无关的分散调用，b）需要接收我们无法访问的数据。更好的问题是，MCVE可以用虚假数据和最少的代码行重现您的错误。是的，这意味着要树立一个全新的榜样。不要害怕这样做——有时候在你发布bug之前，它会帮助你解决bug。