使用K-Folds交叉验证器训练决策树时出现KeyError如何解决？

问题原因 #

报错的核心原因是：KFold.split()返回的是数据的位置索引（即行的序号，从0开始），而你用X[train]这种方式取数时，Pandas会把括号里的内容当成**标签索引（即DataFrame的index列值）**来匹配。如果你的DataFrame索引不是连续的0、1、2...（比如有缺失行、手动修改过索引，或之前的操作打乱了索引），就会出现找不到对应标签的KeyError。

解决方法 #

有两种简单的修正方式：

方法1：用.iloc按位置索引取值

直接把代码中取训练集和测试集的四行，替换成用.iloc按位置索引获取数据：

X_train = X.iloc[train]
y_train = Y.iloc[train]
X_test = X.iloc[test]
y_test = Y.iloc[test]

.iloc专门用于按位置（行/列的序号）访问数据，完美匹配KFold返回的位置索引，不会出现索引不匹配的问题。

方法2：将数据转为NumPy数组

如果不需要保留Pandas的DataFrame/Series结构，可以直接把X和Y转为NumPy数组，这样用方括号索引就会直接按位置取值：

# 替换原来的X、Y定义行
X = df.iloc[:,:200].values
Y = df.iloc[:,200].values

之后X[train]、Y[train]这类写法即可正常工作。

额外优化提示 #

你代码中一开始的train_test_split是多余的——后面的KFold循环已经会重新划分训练集和测试集，这行代码可以删掉，避免混淆。

修正后的完整代码示例 #

import pandas as pd
from sklearn.model_selection import KFold
from sklearn.tree import DecisionTreeClassifier
from sklearn.metrics import accuracy_score

df = pd.read_csv(r'C:\Users\data.csv')
    
# 划分特征与目标变量
X = df.iloc[:,:200]
Y = df.iloc[:,200]

clf = DecisionTreeClassifier()

kf = KFold(n_splits=5, shuffle=True, random_state=3)

cnt = 1

# 交叉验证循环
for train, test in kf.split(X, Y):
    print(f'Fold:{cnt}, Train set: {len(train)}, Test set:{len(test)}')
    cnt += 1
    
    # 用iloc按位置索引取值
    X_train = X.iloc[train]
    y_train = Y.iloc[train]
    X_test = X.iloc[test]
    y_test = Y.iloc[test]

    clf.fit(X_train,y_train)

    predictions = clf.predict(X_test)
    accuracy = accuracy_score(y_test, predictions)

    print("test")
    print(y_test)
    print("predict")
    print(predictions)
    print("Accuracy: %.2f%%" % (accuracy * 100.0))

内容的提问来源于stack exchange，提问作者user572575