使用Scikit-Learn遇AttributeError：已验证输入为numpy array仍报list无shape属性

核心问题定位 #

你已经确认print(data.shape[0])能正常执行，说明这一行的data确实是numpy数组，错误必然出在后续的分支代码中，大概率是Isolation Forest分支的用法错误。

具体解决步骤 #

1. 修复Isolation Forest分支的silhouette_score用法 #

silhouette_score要求第二个参数是整数类型的簇标签，但IsolationForest.score_samples()返回的是连续型的异常分数（范围约-0.5到0.5），直接传入会导致函数内部处理异常，引发list相关错误。需要先将分数转换为二分类标签：

elif self.cluster_method == 'isolation_forest':
    predicted_scores = self.cluster_model.score_samples(data)
    # 以0为阈值，把分数小于0的标记为异常簇（1），正常样本标记为0
    predicted_labels = (predicted_scores < 0).astype(int)
    score = silhouette_score(data, predicted_labels)
    print(f"Silhouette score: {score}")

2. 额外排查验证 #

• 在每个分支的silhouette_score调用前，打印参数的类型和形状，确认都是numpy数组且维度匹配：

  # KMeans分支
  print("KMeans: data类型", type(data), "形状", data.shape)
  print("KMeans: 预测标签类型", type(predicted_labels), "形状", predicted_labels.shape)
  
  # Isolation Forest分支
  print("IF: data类型", type(data), "形状", data.shape)
  print("IF: 预测标签类型", type(predicted_labels), "形状", predicted_labels.shape)
  

• 确认调用evaluate_performance时，传入的原始数据没有被意外转为list：直接传递df.to_numpy()（推荐替代df.values），避免手动转成list。

3. 验证模型状态 #

确保self.cluster_model对应的Isolation Forest模型已经完成训练，未训练的模型调用score_samples可能返回异常结果。

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