使用Pandas读取分号分隔文件并归一化数据：解决删除目标变量quality时的KeyError问题

先帮你拆解下当前遇到的核心问题，再一步步给出正确的操作流程：

一、KeyError错误的直接原因 #

你触发KeyError: ['quality'] not found in axis主要有两个问题：

1. 分隔符使用错误：你用了delimiter="\s"（空白符分隔），但实际是分号分隔的CSV，导致读取后列名混乱，甚至没有quality这个列；
2. drop的axis参数错误：axis=0是按行删除，你要删除的是quality列，应该用axis=1（或axis='columns'）。

二、正确读取分号分隔的CSV文件 #

用Pandas读取分号分隔的文件，直接指定sep=";"或delimiter=";"即可，示例代码：

import pandas as pd

# 正确读取分号分隔的CSV
df = pd.read_csv('gdrive/My Drive/whitewine.csv', sep=";")

# 可选：确认列是否正确读取，用于排查问题
print(df.columns)

执行完print(df.columns)后，你应该能看到包含quality的列名列表，说明文件读取无误。

三、正确分离特征与目标变量 #

现在可以安全地删除quality列作为特征集，同时提取目标变量：

# 分离特征（X）和目标变量（y）
X = df.drop(['quality'], axis=1).values  # axis=1表示删除列
y = df['quality'].values

四、数据归一化操作 #

常用的归一化方法有两种，可根据数据特点选择：

方法1：Min-Max归一化（缩放到[0,1]区间） #

适合数据分布相对均匀、没有明显异常值的场景：

from sklearn.preprocessing import MinMaxScaler

scaler = MinMaxScaler()
X_normalized = scaler.fit_transform(X)

方法2：标准化（Z-score归一化） #

适合数据存在异常值、需要消除量纲影响的场景：

from sklearn.preprocessing import StandardScaler

scaler = StandardScaler()
X_standardized = scaler.fit_transform(X)

完整示例代码 #

把所有步骤整合起来：

import pandas as pd
from sklearn.preprocessing import MinMaxScaler

# 1. 读取分号分隔的CSV
df = pd.read_csv('gdrive/My Drive/whitewine.csv', sep=";")

# 2. 分离特征与目标变量
X = df.drop(['quality'], axis=1).values
y = df['quality'].values

# 3. 执行Min-Max归一化
scaler = MinMaxScaler()
X_normalized = scaler.fit_transform(X)

# 可选：查看归一化后的前5行数据
print(X_normalized[:5])

内容的提问来源于stack exchange，提问作者Caroline