Python 安装sklearn'；基于数据帧的s-SVM分类器

我正在尝试使用支持向量机，但当我使用熊猫数据帧时，我不知道如何拟合模型。如果我的数据如下所示：

df = pd.DataFrame({"x": ['011', '100', '111'] , "y": [0,1,0]})
df.x.apply(lambda x: np.array(list(map(int,x))))
>>>df
    x           y
0   [0, 1, 1]   0
1   [1, 0, 0]   1
2   [1, 1, 1]   0

如果我尝试以这种方式拟合模型：

clf = svm.SVC().fit(df.x, df.y)

我得到这个错误：

ValueError: setting an array element with a sequence.

使用此数据帧拟合SVM的正确方法是什么

df = pd.DataFrame({"x": ['011', '100', '111'] , "y": [0,1,0]})
df.x = df.x.apply(lambda x: list(map(int,x)))

df
           x  y
0  [0, 1, 1]  0
1  [1, 0, 0]  1
2  [1, 1, 1]  0

---

df.x

是一列数组。这可能不是存储数据的最佳方式，而且似乎

sklearn

不太善于理解它。将所有内容转换为列表列表并将其传递给

SVC

会更简单。试试这个：

x = df.x.tolist()
print(x)
[[0, 1, 1], [1, 0, 0], [1, 1, 1]]
SVC().fit(x, df.y)

---

另一个解决方案是下面的代码

将熊猫作为pd导入
将numpy作为np导入
从sklearn.svm导入SVC
df=pd.DataFrame（{“x”：['011'，'100'，'111']，“y”：[0,1,0]}）
x=df.x.apply（λx:pd.系列（列表（x）））
x
#出[2]：
#    0  1  2
# 0  0  1  1
# 1  1  0  0
# 2  1  1  1
SVC（）.fit（x，df.y）
#出[3]：
#SVC（C=1.0，缓存大小=200，类权重=None，coef0=0.0，
#决策函数形状=无，度=3，gamma='auto'，内核='rbf'，
#最大值=1，概率=假，随机状态=无，收缩=真，
#tol=0.001，详细=False）

将numpy作为np导入
从sklearn.svm导入SVC
#将数据帧的列转换为数组
features=df['x'].to_numpy（）
labels=df['y'].to_numpy（）
#输入你的分类器
SVC（）.fit（特征、标签）

非常感谢，但我们可以使用numpy数组而不是list of list吗。因为当我们有一个大数据集时，numpy数组比列表快得多？@Ali sklearn非常棒。将列表或numpy数组传递给sklearn没有任何区别。@Ali

SVC

将为您将其转换为数组。但是，您可以通过不以这种方式存储输入数组来提高处理效率。@piRSquared假设x是图像的像素，y是类，有什么比我上面的方法更好的方法来存储此类数据？@Ali每个位都有单独的列？是的，这是我在评论中提到的另一种选择，但忽略了作为答案的解决方案+1尝试向用户解释其代码中的问题是什么，以及为什么您的解决方案会解决此问题。