如何修复Python数组重塑报错：无法将95625数组转为(5625,)？

问题根源 #

你的x_churn_train是17维特征数据集（形状(5625,17)），但代码错误地将其当作单特征数据执行reshape操作：len(x_churn_train)返回样本数5625，而原数组总元素数是5625*17=95625，两者形状不匹配，触发ValueError。

解决方案分两种场景： #

场景1：绘制单个特征与残差的关系图

若需观察某一特定特征和残差的关联，直接提取目标特征列构造DataFrame：

# 计算残差
y_predict_train = simple_reg.predict(x_churn_train)
residual = y_churn_train - y_predict_train

# 选择单个特征（示例取第0列，也可替换为列名如x_churn_train['column_name']）
df_resid = pd.DataFrame({
    'x_axis': x_churn_train[:, 0],
    'residual': residual
})

# 绘制残差图
sns.scatterplot(data=df_resid, x='x_axis', y='residual')
plt.axhline(0)
plt.show()

场景2：绘制拟合值与残差的关系图（通用残差分析方式）

若仅需验证回归模型的残差假设（如残差随机分布、无趋势），推荐用模型拟合值作为x轴，无需依赖单个特征：

# 计算残差与拟合值
y_predict_train = simple_reg.predict(x_churn_train)
residual = y_churn_train - y_predict_train

# 构造包含拟合值和残差的DataFrame
df_resid = pd.DataFrame({
    'predicted_value': y_predict_train,
    'residual': residual
})

# 绘制残差图
sns.scatterplot(data=df_resid, x='predicted_value', y='residual')
plt.axhline(0, color='red', linestyle='--')
plt.show()

补充说明 #

• 多特征场景下，单特征残差图仅能反映该特征与残差的关联，无法全面评估模型整体残差表现；
• 拟合值vs残差图是回归模型残差分析的标准方式，可直观判断残差是否随机分布在0线附近，验证模型假设是否成立。

内容的提问来源于stack exchange，提问作者Amelia Putri Damayanti