在进行逻辑回归时，如何解决Python中的值错误？

我在逻辑回归中得到一个值错误。我如何解决这个问题

我试着扔掉幸存的柱子，但还是没用

输入：

X_train=train_df.drop("Survived",axis=1)
Y_train=train_df["Survived"]
X_test=test_df.drop("PassengerId",axis=1).copy()
X_train=train_df.drop("PassengerId",axis=1).copy()
X_train.head()
Y_train.head()
X_test.head()

X_train.shape,Y_train.shape,X_test.shape

输出：

Pclass----Sex-----Age-------Parch-----Fare-------EMbarked
3--------- 0 -----34.5------0---------7.82-------2      
3--------- 1 -----47  ------0---------7----------0
2--------- 0 -----62  ------0---------9.68-------2
3--------- 0 -----27  ------0---------8.66-------0
3--------- 1 -----22  ------1---------12.2-------0

((891, 7), (891,), (418, 6))

输入：

X_train=train_df.drop("Survived",axis=1)
Y_train=train_df["Survived"]
X_test=test_df.drop("PassengerId",axis=1).copy()
X_train=train_df.drop("PassengerId",axis=1).copy()
X_train.head()
Y_train.head()
X_test.head()

X_train.shape,Y_train.shape,X_test.shape

输出：

Pclass----Sex-----Age-------Parch-----Fare-------EMbarked
3--------- 0 -----34.5------0---------7.82-------2      
3--------- 1 -----47  ------0---------7----------0
2--------- 0 -----62  ------0---------9.68-------2
3--------- 0 -----27  ------0---------8.66-------0
3--------- 1 -----22  ------1---------12.2-------0

((891, 7), (891,), (418, 6))

输入：

 X_train.head()

输出：

Column1---Survived---Pclass----Sex----Age-----Parch----Fare----Embarked
0-------- ----0----------3-------0-----22-------0------7.25------0
1-------------1----------1-------1-----38-------0------71.2833---1
2-------------1----------3-------1-----26-------0------7.925-----0
3-------------1----------1-------1-----35-------0------53.1------0
4-------------0----------3-------0-----35-------0---- -8.05------0

逻辑回归

logreg = LogisticRegression()
logreg.fit(X_train, Y_train)
Y_pred = logreg.predict(X_test)
acc_log = round(logreg.score(X_train, Y_train) * 100, 2)
acc_log

错误消息：

ValueError                                Traceback (most recent call last)
<ipython-input-64-5854ca91fc64> in <module>

      3 logreg = LogisticRegression()
      4 logreg.fit(X_train, Y_train)
----> 5 Y_pred = logreg.predict(X_test)
      6 acc_log = round(logreg.score(X_train, Y_train) * 100, 2)
      7 acc_log

c:\users\user\appdata\local\programs\python\python37\lib\site-packages\sklearn\linear_model\base.py in predict(self, X)

        287             Predicted class label per sample.
        288         """
    --> 289         scores = self.decision_function(X)
        290         if len(scores.shape) == 1:
        291             indices = (scores > 0).astype(np.int)

c:\users\user\appdata\local\programs\python\python37\lib\site-packages\sklearn\linear_model\base.py in decision_function(self, X)

        268         if X.shape[1] != n_features:
        269             raise ValueError("X has %d features per sample; 
                   expecting %d"
    --> 270                              % (X.shape[1], n_features))
        271 
        272         scores = safe_sparse_dot(X, self.coef_.T,

ValueError: X has 6 features per sample; expecting 7

ValueError回溯（最近一次调用）
在里面
3 logreg=逻辑回归（）
4 logreg.fit（X_系列、Y_系列）
---->5 Y_pred=对数预测（X_检验）
6 acc_log=轮（logreg.分数（X_列车、Y_列车）*100,2）
7 acc_日志
c:\users\user\appdata\local\programs\python37\lib\site packages\sklearn\linear\u model\base.py in predict（self，X）
每个样本287个预测类别标签。
288         """
-->289分=自我决策函数（X）
290如果len（分数形状）==1：
291指数=（得分>0）.aType（np.int）
c:\users\user\appdata\local\programs\python\37\lib\site packages\sklearn\linear\u model\base.py in decision\u函数（self，X）
268如果X.shape[1]！=n_特征：
269 raise VALUE ERROR（“X每个样本有%d个特征；
应为%d“
-->270%（X.形状[1]，n_特征）
271
272分=安全稀疏点（X，self.coef.T，
ValueError:X每个示例有6个功能；应为7个

X\U列车和Y\U列车应具有相同的功能集。您的X\U列车中有不必要的“幸存”功能列

更好的方法是以这种格式从数据帧中提取必要的列

necessary_columns = ['Pclass', 'Sex', 'Age', 'Parch', 'Fare', 'EMbarked']
X_train = train_df[necessary_columns]
Y_train = train_df["Survived"]
X_test = test_df[necessary_columns]

---

拟合模型应该用y~x1，x2…x6的排他性方程来构建，以防止数据集不包含拟合模型特征属性。谢谢