Orange自定义MedicalLearner报错：TypeError仅大小为1数组可转Python标量

先搞定堆栈跟踪获取 #

要复现错误或拿到完整报错信息，直接在你的predict方法里加异常捕获，把堆栈打出来。修改代码如下：

import traceback
import numpy as np
from orange.base import Learner, Model

class MedicalModel(Model):
    def __init__(self, models):
        self.models = models

    def predict(self, X):
        try:
            # 你的预测聚合逻辑写在这里
            all_preds = [model.predict(X) for model in self.models]
            sample_preds = np.array(all_preds).T
            aggregated = []
            for preds in sample_preds:
                if 'yes' in preds:
                    aggregated.append('yes')
                elif 'maybe' in preds:
                    aggregated.append('maybe')
                else:
                    aggregated.append('no')
            return np.array(aggregated)
        except Exception as e:
            print("=== 预测阶段报错详情 ===")
            traceback.print_exc()
            raise  # 重新抛出异常，不影响Orange流程

运行Test and Score后，控制台会输出完整的堆栈信息，能精准定位错误行。

报错核心原因 #

你本地调试正常是因为可能只测了单个样本，但Test and Score是批量处理多行数据。Orange的学习器predict方法在接收批量X（二维数组）时，返回的是形状为(n_samples,)的预测数组，而不是单个标量。如果你的聚合逻辑错误地把整个数组当成单个值处理（比如直接判断'yes' in model.predict(X)），就会触发TypeError: only size-1 arrays can be converted to Python scalars——因为Python没法把多元素数组直接转成标量来做包含判断。

比如错误写法：

# 错误：把批量预测数组当成单个标量处理
pred = model.predict(X)
if 'yes' in pred:  # 这里pred是多元素数组，报错
    return 'yes'

修正后的聚合逻辑 #

正确的做法是逐样本处理：先把所有模型的批量预测结果转置成(n_samples, n_models)的结构，然后对每个样本的所有模型预测值按规则聚合，最后返回结果数组。完整的MedicalLearner实现示例：

import numpy as np
from orange.base import Learner, Model

class MedicalModel(Model):
    def __init__(self, models):
        self.models = models

    def predict(self, X):
        # 获取所有基础模型的批量预测结果
        all_predictions = [model.predict(X) for model in self.models]
        # 转置后，每一行对应一个样本的所有模型预测
        sample_predictions = np.array(all_predictions).T

        aggregated_results = []
        for preds in sample_predictions:
            if 'yes' in preds:
                aggregated_results.append('yes')
            elif 'maybe' in preds:
                aggregated_results.append('maybe')
            else:
                aggregated_results.append('no')
        return np.array(aggregated_results)

class MedicalLearner(Learner):
    def __init__(self, base_learners):
        self.base_learners = base_learners
        self.name = "Medical Stacked Learner"

    def fit(self, X, Y, W=None):
        # 训练所有基础学习器
        trained_models = [learner.fit(X, Y, W) for learner in self.base_learners]
        return MedicalModel(trained_models)

手动复现错误的方法 #

1. 构造一个二维数组模拟批量数据：

X_batch = np.array([[1.0, 2.0], [3.0, 4.0], [5.0, 6.0]])

2. 用错误的聚合逻辑（比如直接处理批量数组为标量）调用模型的predict方法，就能触发同样的报错。

内容的提问来源于stack exchange，提问作者iain