Python LDA（n#u分量=2）和#x2B；fit_变换返回一维矩阵而不是二维矩阵

在我的chorn_modeling.csv文件上应用一些LDA时，一切都进行得很顺利，直到我的X_列车返回（8000，1），除了（8000，2）如预期的：

lda = LDA(n_components = 2)

X_train = lda.fit_transform(X_train, y_train)

X_序列在手前“热编码”和“特征缩放”，如下所示：

# LDA

# Importing the libraries
import numpy as np
import matplotlib.pyplot as plt
import pandas as pd

# Importing the dataset
dataset = pd.read_csv('Churn_Modelling.csv')
X = dataset.iloc[:, 3:13].values
y = dataset.iloc[:, 13].values

# Encoding categorical data
from sklearn.preprocessing import LabelEncoder, OneHotEncoder
labelencoder_X_1 = LabelEncoder()
X[:, 1] = labelencoder_X_1.fit_transform(X[:, 1])
labelencoder_X_2 = LabelEncoder()
X[:, 2] = labelencoder_X_2.fit_transform(X[:, 2])
onehotencoder = OneHotEncoder(categorical_features = [1])
X = onehotencoder.fit_transform(X).toarray()
X = X[:, 1:]

# Splitting the dataset into the Training set and Test set
from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size = 0.2, random_state = 0)

# Feature Scaling
from sklearn.preprocessing import StandardScaler
sc = StandardScaler()
X_train = sc.fit_transform(X_train)
X_test = sc.transform(X_test)

# Applying LDA
from sklearn.discriminant_analysis import LinearDiscriminantAnalysis as LDA
lda = LDA(n_components = 2)
X_train = lda.fit_transform(X_train, y_train)
X_test = lda.transform(X_test)

在另一个.csv文件上执行相同操作时，我没有任何问题。。。你知道为什么吗

---

非常感谢你的帮助

我想我已经得到了答案，但如果可能的话，我希望得到确认：-）

使用transform可以获得的最大列数。是n-1，所以，在我的例子中，2个类（True，False）最多生成1列（n-1）

---

我说得对吗？再次感谢。

我想我已经得到了答案，但如果可能的话，我希望得到确认：-）

使用transform可以获得的最大列数。是n-1，所以，在我的例子中，2个类（True，False）最多生成1列（n-1）

---

我说得对吗？再次感谢您。

的确如此。为了测试，我刚刚将数据集中的搅动列（仅包含“1”和“0”）的第一个值更改为任意的“2”。X_train确实返回了一个矩阵8000乘2（不再是1）的确如此。为了测试，我刚刚将数据集中的搅动列（仅包含“1”和“0”）的第一个值更改为任意的“2”。X_列车返回了一个矩阵8000乘2（不再是1）