Python sklearn不'；即使在重塑后也无法识别我的阵列为2d？

我正在尝试运行以下代码。我知道我需要改变数组的形状，使其适合线性回归模型。然而，在我重塑它们之后，它仍然会给出一个错误，即我的数组是标量数组。我也试过至少两次，但都没有成功

from sklearn.linear_model import LinearRegression
from sklearn.datasets import load_boston
boston = load_boston()

x = np.array(boston.data[:,5])
y = boston.target

x=np.array(x).reshape(-1,1)
y=np.array(y).reshape(-1,1)

lr = LinearRegression(fit_intercept=True)
lr.fit(x,y)

fig,ax= plt.subplots()

ax.set_xlabel("Average number of rooms(RM)")
ax.set_ylabel("House Price")

xmin = x.min()
xmax = x.max()

ax.plot([xmin,xmax],
       [lr.predict(xmin),lr.predict(xmax)],
        "-",
       lw=2,color="#f9a602")
ax.scatter(x,y,s=2)


> ValueError                                Traceback (most recent call last)
<ipython-input-6-8c6977f43703> in <module>
      7 xmax = xmax
      8 ax.plot([xmin,xmax],
----> 9        [lr.predict(xmin), lr.predict(xmax)],
     10         "-",
     11        lw=2,color="#f9a602")

~\AppData\Local\Continuum\anaconda3\lib\site-packages\sklearn\linear_model\base.py in predict(self, X)
    211             Returns predicted values.
    212         """
--> 213         return self._decision_function(X)
    214 
    215     _preprocess_data = staticmethod(_preprocess_data)

~\AppData\Local\Continuum\anaconda3\lib\site-packages\sklearn\linear_model\base.py in _decision_function(self, X)
    194         check_is_fitted(self, "coef_")
    195 
--> 196         X = check_array(X, accept_sparse=['csr', 'csc', 'coo'])
    197         return safe_sparse_dot(X, self.coef_.T,
    198                                dense_output=True) + self.intercept_

~\AppData\Local\Continuum\anaconda3\lib\site-packages\sklearn\utils\validation.py in check_array(array, accept_sparse, accept_large_sparse, dtype, order, copy, force_all_finite, ensure_2d, allow_nd, ensure_min_samples, ensure_min_features, warn_on_dtype, estimator)
    543                     "Reshape your data either using array.reshape(-1, 1) if "
    544                     "your data has a single feature or array.reshape(1, -1) "
--> 545                     "if it contains a single sample.".format(array))
    546             # If input is 1D raise error
    547             if array.ndim == 1:

ValueError: Expected 2D array, got scalar array instead:
array=<built-in method min of numpy.ndarray object at 0x0000019960BF9CB0>.
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.

从sklearn.linear\u模型导入线性回归
从sklearn.dataset导入加载
波士顿=加载波士顿（）
x=np.array（boston.data[：，5]）
y=boston.target
x=np.数组（x）.重塑（-1,1）
y=np.数组（y）.重塑（-1,1）
lr=线性回归（拟合截距=真）
lr.配合（x，y）
图，ax=plt.子批次（）
ax.set_xlabel（“平均房间数（RM）”）
ax.set_ylabel（“房价”）
xmin=x.min（）
xmax=x.max（）
ax.绘图（[xmin，xmax]，
[lr.predict（xmin），lr.predict（xmax）]，
"-",
lw=2，颜色=“#f9a602”）
最大散射（x，y，s=2）
>ValueError回溯（最近一次调用上次）
在里面
7 xmax=xmax
8最大曲线图（[xmin，xmax]，
---->9[lr.predict（xmin），lr.predict（xmax）]，
10         "-",
11 lw=2，颜色=“#f9a602”）
预测中的~\AppData\Local\Continuum\anaconda3\lib\site packages\sklearn\linear\u model\base.py（self，X）
211返回预测值。
212         """
-->213返回自判定函数（X）
214
215预处理数据=静态方法（预处理数据）
~\AppData\Local\Continuum\anaconda3\lib\site packages\sklearn\linear\u model\base.py in\u decision\u函数（self，X）
194已安装止回阀（自，“coef”）
195
-->196 X=检查数组（X，接受稀疏=['csr'，'csc'，'coo']）
197返回安全稀疏点（X，self.coef.T，
198密集_输出=真）+自截距_
检查数组中的~\AppData\Local\Continuum\anaconda3\lib\site packages\sklearn\utils\validation.py（数组、接受稀疏、接受大稀疏、数据类型、顺序、复制、强制所有有限、确保二维、允许nd、确保最小样本、确保最小特征、警告数据类型、估计器）
543“使用数组重塑数据。如果需要重塑（-1，1）
544“您的数据只有一个特征或数组。重塑（1，-1）”
-->545“如果它包含单个样本。”。格式（数组））
546#如果输入为1D上升错误
547如果array.ndim==1：
ValueError:应为2D数组，但改为标量数组：
数组=。
使用数组重塑数据。如果数据具有单个特征或数组，则重塑（-1，1）。如果数据包含单个样本，则重塑（1，-1）。

使用挤压找到此解决方案

from sklearn.linear_model import LinearRegression
lr = LinearRegression(fit_intercept=True)


xmin
xmax = x.max()
xmax = xmax.reshape(-1,1)
xmin = x.min()



lr.fit(x,y)
xmin =xmin.reshape(-1,1)
print(xmin.shape)
print(xmin)
s = lr.predict(xmin)

s= np.squeeze(s)



r = lr.predict(xmax)

r = np.squeeze(r)

xmax = np.squeeze(xmax)

xmin = np.squeeze(xmin)


lr.fit(x,y)

fig,ax= plt.subplots()
ax.set_xlabel("Average number of rooms(RM)")
ax.set_ylabel("House Price")
xmin = xmin
xmax = xmax
ax.plot([xmin,xmax],
       [s, r],
        "-",
       lw=2,color="#f9a602")
ax.scatter(x,y,s=2)

---

抱歉，我可能用词太差了。回归有效，但绘图无效。即使

x

是2D，

xmin

和

xmax

都是0D。我需要重塑lr.predict（xmin）和xmax。谢谢你的帮助。我一定会告诉Jay我们遇到了麻烦。