使用GridSearchCV训练GaussianNB模型时出现样本数量不一致错误

错误提示ValueError: Found input variables with inconsistent numbers of samples: [3, 4263]的核心原因是TfidfVectorizer的输入格式不匹配：

• TfidfVectorizer默认接收一维数组（每个元素对应单个文本样本），但你传入的X_train是形状为(5329,3)的二维数据（3个文本特征列）。
• TfidfVectorizer错误地将这3列当成3个"样本"处理，导致输出特征的样本数变为3，和标签集的4263个样本（5折交叉验证的训练集大小）完全不匹配。

根据你的数据使用需求，可选择以下两种修复方式：

方式1：合并多列文本为单一列 #

如果3列都是文本特征且可合并为单个输入，先将多列文本合并成一列：

# 假设X_cbe是DataFrame，按行合并3列文本
X_cbe_combined = X_cbe.apply(lambda row: ' '.join(row.astype(str)), axis=1)
# 重新拆分数据集
X_train, X_test, y_train, y_test = train_test_split(X_cbe_combined, y, test_size=0.3, random_state=42)

之后保留原Pipeline结构即可，此时输入为一维文本数组，TfidfVectorizer能正确处理。

方式2：用ColumnTransformer处理多列独立特征 #

如果需要保留3列的独立Tfidf特征，使用ColumnTransformer分别对每列做向量化再合并：

from sklearn.compose import ColumnTransformer

# 定义预处理流程，对3列分别应用TfidfVectorizer
preprocessor = ColumnTransformer(
    transformers=[
        ('tfidf_col0', TfidfVectorizer(), 0),
        ('tfidf_col1', TfidfVectorizer(), 1),
        ('tfidf_col2', TfidfVectorizer(), 2)
    ])

# 重构Pipeline
pipe_gnb = Pipeline([
    ('preprocessor', preprocessor),
    ('to_dense', DenseTransformer()),
    ('gnb', GaussianNB())
])

# 调整参数网格，对应preprocessor下的子参数
params_gnb = {
    'preprocessor__tfidf_col0__ngram_range': [(1, 1), (1, 2)],
    'preprocessor__tfidf_col0__max_df': [0.25, 0.5],
    # 可根据需求添加其他列的参数配置
}

# 后续GridSearchCV代码保持不变
gs_gnb = GridSearchCV(pipe_gnb, params_gnb, verbose=10, cv=5, n_jobs=-1, scoring='f1', error_score='raise')
gs_gnb.fit(X_train, y_train)

• 若你使用的DenseTransformer是自定义转换器（用于将稀疏矩阵转为稠密矩阵适配GaussianNB），需确保它能正确处理ColumnTransformer输出的合并稀疏矩阵。
• 选择方式2时，参数网格必须遵循preprocessor__[转换器名称]__[参数名]的格式，否则GridSearch无法识别参数。

内容的提问来源于stack exchange，提问作者YuvrajSingh