Python 如何将这些数据转换为逻辑回归？

我有“y”和“X”数据：

y=[1,0,0,0,0,0,0,0,0…]

就我而言没问题

及

X[0]

可以取值：“reg'/'pref'/'cur'/'val”

X[1]

：末尾带有mounth+b（=开始）编号的字符串

X[2]

：末尾带有mounth+e（=end）编号的字符串

X[3]

：“买入”或“卖出”

但我做不到

logreg = LogisticRegression()
logreg.fit(X,y)

因为我对X的结构有问题（它是带字符串的列表）

我想修复它并执行以下操作：

logreg = preprocessing.LabelEncoder()
i=0
while i<len(X):
    logreg.fit(X[i])
    b[i]=logreg.transform(X[i])
    i=i+1

---

所有元素都是相同的。如何正确转换.fit（X，y）的数据？

问题在于，您将X中的行和列弄错了

import numpy as np
from sklearn import preprocessing
X = [['reg', '03b', '03e', 'buy'],
    ['reg', '03b', '04e', 'sell'],
    ['pref', '02b', '03e', 'sell'],
    ['cur', '03b', '03e', 'buy'],
    ['val', '03b', '03e', 'buy'],
    ['reg', '03b', '03e', 'buy']]
X = np.array(X)
b = np.zeros(X.shape)
logreg = preprocessing.LabelEncoder()
i = 0
while i < X.shape[1]:
    logreg.fit(X[:,i])
    b[:,i] = logreg.transform(X[:,i])
    i += 1
b
array([[2., 1., 0., 0.],
       [2., 1., 1., 1.],
       [1., 0., 0., 1.],
       [0., 1., 0., 0.],
       [3., 1., 0., 0.],
       [2., 1., 0., 0.]])

将numpy导入为np
从sk学习导入预处理
X=[['reg'，'03b'，'03e'，'buy']，
['reg'、'03b'、'04e'、'sell']，
['pref'、'02b'、'03e'、'sell']，
['cur'，'03b'，'03e'，'buy']，
['val'，'03b'，'03e'，'buy']，
['reg'、'03b'、'03e'、'购买']]
X=np.数组（X）
b=np.零（X.形）
logreg=preprocessing.LabelEncoder（）
i=0
而我

您能提供您得到的错误吗？我添加了更多信息。我在转换的X中有所有相同的元素，但它不正确，因为['cur''03b''03e''buy']=['reg''05b''06e''sell']=[3 0 1 2]@user330959如果您觉得答案有用，请将其作为已接受的答案检查，以节省其他有类似问题的人的时间。

[3 0 1 2]
[3 0 1 2]
[3 0 1 2]
[3 0 1 2]
[3 0 1 2]
[3 0 1 2]
...
[3 0 1 2]

import numpy as np
from sklearn import preprocessing
X = [['reg', '03b', '03e', 'buy'],
    ['reg', '03b', '04e', 'sell'],
    ['pref', '02b', '03e', 'sell'],
    ['cur', '03b', '03e', 'buy'],
    ['val', '03b', '03e', 'buy'],
    ['reg', '03b', '03e', 'buy']]
X = np.array(X)
b = np.zeros(X.shape)
logreg = preprocessing.LabelEncoder()
i = 0
while i < X.shape[1]:
    logreg.fit(X[:,i])
    b[:,i] = logreg.transform(X[:,i])
    i += 1
b
array([[2., 1., 0., 0.],
       [2., 1., 1., 1.],
       [1., 0., 0., 1.],
       [0., 1., 0., 0.],
       [3., 1., 0., 0.],
       [2., 1., 0., 0.]])