Python ValueError:形状为（124,1）的不可广播输出操作数不'；t匹配广播形状（124,13）

我想使用

sklearn.preprocessing

中的

MinMaxScaler

规范化训练和测试数据集。但是，包似乎不接受我的测试数据集

import pandas as pd
import numpy as np

# Read in data.
df_wine = pd.read_csv('https://archive.ics.uci.edu/ml/machine-learning-databases/wine/wine.data', 
                      header=None)
df_wine.columns = ['Class label', 'Alcohol', 'Malic acid', 'Ash',
                   'Alcalinity of ash', 'Magnesium', 'Total phenols',
                   'Flavanoids', 'Nonflavanoid phenols', 'Proanthocyanins',
                   'Color intensity', 'Hue', 'OD280/OD315 of diluted wines',
                   'Proline']

# Split into train/test data.
from sklearn.model_selection import train_test_split
X = df_wine.iloc[:, 1:].values
y = df_wine.iloc[:, 0].values
X_train, y_train, X_test, y_test = train_test_split(X, y, test_size=0.3, 
                                                    random_state = 0)

# Normalize features using min-max scaling.
from sklearn.preprocessing import MinMaxScaler
mms = MinMaxScaler()
X_train_norm = mms.fit_transform(X_train)
X_test_norm = mms.transform(X_test)

执行此操作时，我得到一个

DeprecationWarning：在0.17中，将1d数组作为数据传递是不推荐的，并且在0.19中会引发ValueError。如果数据具有单个特征，请使用X.RESUPATE（-1，1），如果数据包含单个样本，请使用X.RESUPATE（1，-1）重塑数据。

以及

值错误：操作数无法与形状（124，）（13，）（124，）

一起广播

重塑数据仍会产生错误

X_test_norm = mms.transform(X_test.reshape(-1, 1))

此整形产生错误

ValueError:具有形状（124,1）的不可广播输出操作数与广播形状（124,13）不匹配

---

任何关于如何修复此错误的输入都会很有帮助

必须按照与函数输入数组相同的顺序指定列车/测试数据的分区，以使其按照该顺序解包

显然，当顺序指定为

X\u-train、y\u-train、X\u-test、y\u-test

时，

y\u-train

（

len（y\u-train）=54

）和

X\u-test

（

len（X\u-test）=124

）的结果形状被交换，导致

ValueError

相反，您必须：

# Split into train/test data.
#                   _________________________________
#                   |       |                        \
#                   |       |                         \
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=0)                                        
# |          |                                      /
# |__________|_____________________________________/
# (or)
# y_train, y_test, X_train, X_test = train_test_split(y, X, test_size=0.3, random_state=0)

# Normalize features using min-max scaling.
from sklearn.preprocessing import MinMaxScaler
mms = MinMaxScaler()
X_train_norm = mms.fit_transform(X_train)
X_test_norm = mms.transform(X_test)

产生：

X_train_norm[0]
array([ 0.72043011,  0.20378151,  0.53763441,  0.30927835,  0.33695652,
        0.54316547,  0.73700306,  0.25      ,  0.40189873,  0.24068768,
        0.48717949,  1.        ,  0.5854251 ])

X_test_norm[0]
array([ 0.72849462,  0.16386555,  0.47849462,  0.29896907,  0.52173913,
        0.53956835,  0.74311927,  0.13461538,  0.37974684,  0.4364852 ,
        0.32478632,  0.70695971,  0.60566802])

---

当你有形状错误时，你需要做的第一件事就是显示所有与你的问题有关的数组的形状。在这种情况下，

xu-train

和

xu-test

，可能更多。因此，他在13个功能集上进行训练，在1个功能集上进行测试。这就是异常错误消息的原因。sklearn问题中的形状错误很常见，但不是那些涉及

不可广播的问题。如果他的密集层与他的特征数量不匹配，那么这也会导致不可广播的错误。