Python 使用scikit learn分割阵列后，图像会失真

我有一个

.mat

文件，其中包含

600

24*21

图像数组。因此，得到的尺寸是

（24，21，600）

。以下代码将在子图中显示图像：

X = loadmat('../input/data.mat')['face']
# generate dummy labels for this example
y = np.concatenate([np.zeros(300), np.ones(300)])

# X.shape == (24, 21, 600)
# y.shape == (600,)

fig, ax = plt.subplots(4,5)

for i, axis in enumerate(ax.flat):
    axis.imshow(X[:,:,i], cmap='bone')
    axis.set(xticks=[], yticks=[])

那很好。问题是当我尝试使用以下方法将数据拆分为列车和测试数据时：

X_train, X_test, y_train, y_test = train_test_split(
    X, y,
    random_state=42,
    test_size=0.2,
    shuffle=True
)

出现以下错误：

ValueError: Found input variables with inconsistent numbers of samples: [24, 600]

我知道错误在于我的

X

和

y

的第一维度不匹配。但是，如果我尝试使用

X=X来重塑
X
。重塑（600，24，21）

，使

X.shape==（600，24，21）

，这些形状是固定的，我可以使用

train\u test\u split（）成功分割数据。

但是，现在当我尝试使用下面的代码制作子图时：

fig, ax = plt.subplots(4,5)

for i, axis in enumerate(ax.flat):
    axis.imshow(X[i,:,:], cmap='bone')
    axis.set(xticks=[], yticks=[])

这些图像毫无意义，因此被改变了。我无法使用这些图像制作分类器。有人能帮我吗

在最好的情况下，如何拆分数据而不必重塑形状

在重塑图像并成功分割数据后，如何不扭曲图像

---

问题是采样轴位于位置2而不是0。Sklearn然后认为您有24个形状样本

（21600）

。 您希望

X.shape

成为

（600，24，21）

，而不是

（24，21，600）

因此，您可以使用更改位置：

X = np.rollaxis(X, 2, 0)

---

虽然我使用了

X=X.transpose（[2,0,1]）

，但您的解决方案可能也会起作用。事实上，我的问题是一个重复的问题。