Pandas/Sklearn电影类型预测代码报错求助：TypeError与AttributeError

让我来帮你排查这两个报错的问题，其实核心都是混淆了Pandas DataFrame和NumPy数组的操作语法，咱们一步步拆解解决：

报错1：TypeError: unhashable type: 'slice' #

问题根源 #

你用predicted_genre = data[["Genre"]]得到的是一个Pandas DataFrame对象，而[:, np.newaxis]是NumPy数组专属的维度扩展语法，DataFrame不支持这种切片方式，所以触发了类型错误。

修复方案 #

直接把DataFrame转换成NumPy数组后再扩展维度，用.values或者.to_numpy()都可以：

# 把DataFrame转成NumPy数组后再增加维度
predicted_genre = data[["Genre"]].values[:, np.newaxis]

或者用更直观的reshape方法：

predicted_genre = data[["Genre"]].values.reshape(-1, 1)

报错2：AttributeError: 'DataFrame' object has no attribute 'flatten' #

问题根源 #

删除那行维度扩展代码后，predicted_genre仍然是DataFrame对象，而flatten()是NumPy数组的方法，DataFrame根本没有这个属性，自然会报错。

修复方案 #

先把DataFrame转换成NumPy数组，再调用扁平化方法。你其实已经在model.fit里用到了.values.ravel()，这里可以沿用同样的思路：

# 先转成NumPy数组再扁平化
accuracy = accuracy_score(predicted_genre.values.flatten(), predicted_classes)
# 或者用ravel()，效果一样
accuracy = accuracy_score(predicted_genre.values.ravel(), predicted_classes)

修正后的完整代码（附优化点） #

我还帮你优化了几个容易踩坑的细节，比如不需要手动添加截距项（Sklearn的LogisticRegression默认会处理），以及补全了遗漏的accuracy_score导入：

import numpy as np
import pandas as pd
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import accuracy_score  # 必须导入这个模块！

# 读取数据集
data = pd.read_csv('movies.csv', sep=',')

# 提取特征列
feature_cols = ["marri", "huh", "hous", "mother", "nice", "home", "miss", "play", "happi", "write",
                "wouldnt","power", "captain", "ship", "weve", "move", "ship", "system", "world", "command", "three"]
X = data[feature_cols].values

# 提取目标变量（转成NumPy数组，方便后续操作）
y = data["Genre"].values

# 初始化并训练模型
model = LogisticRegression()
model.fit(X, y.ravel())  # ravel()确保目标变量是一维数组

# 获取模型参数并预测
parameters = model.coef_
predicted_classes = model.predict(X)

# 计算准确率
accuracy = accuracy_score(y, predicted_classes)
print(f"模型在训练集上的准确率: {accuracy:.2f}")

关键优化说明： #

1. 去掉手动加截距：LogisticRegression的fit_intercept参数默认是True，会自动为特征矩阵添加截距项，不需要你手动用np.c_拼接全1数组。
2. 简化目标变量处理：用data["Genre"]（单括号）得到Series，再转成NumPy数组，比双括号的DataFrame更适合作为模型的目标变量。
3. 补全必要导入：原代码遗漏了accuracy_score的导入，这也是潜在的报错点。

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