Python中文本分类过采样报错：ValueError（1D/2D数组不匹配）求解

这个报错我之前处理过，原因很直接：RandomOverSampler（以及绝大多数scikit-learn/imblearn的工具）要求输入的特征数据是二维数组（形状为(样本数, 特征数)），但你传入的df['Features']是一维的pandas Series（形状为(样本数,)），维度不匹配就会触发这个错误。

下面给你两种实用的解决办法：

方法1：快速修复维度问题（直接调整输入格式） #

只需要把一维的Series转换成二维的DataFrame即可，用双重方括号[['Features']]就能实现（单括号返回Series，双括号返回DataFrame）。修改后的代码如下：

from imblearn.over_sampling import RandomOverSampler
from collections import Counter
import pandas as pd

# 你的示例数据构建
df = [
    ['I am going to class today']*10 + ['I am not going to class today']*4,
    ['Positive']*10 + ['Negative']*4
]
df = pd.DataFrame(df).transpose()
df.columns=['Features','Class']

# 修正后的过采样代码
oversample = RandomOverSampler(sampling_strategy='minority')
# 用df[['Features']]代替df['Features']，得到二维结构
X_over, y_over = oversample.fit_resample(df[['Features']], df['Class'])

# 验证结果
print(Counter(y_over))
# 输出应该是 Counter({'Positive': 10, 'Negative': 10})

方法2：符合文本分类流程的规范做法 #

实际文本分类任务中，原始字符串无法直接用于建模，必须先转换成数值型的二维特征矩阵（比如TF-IDF、词袋特征）。因此更合理的流程是先做文本特征提取，再执行过采样，这样既解决了维度问题，也为后续建模做好准备：

from imblearn.over_sampling import RandomOverSampler
from collections import Counter
import pandas as pd
from sklearn.feature_extraction.text import TfidfVectorizer

# 示例数据构建（同上）
df = [
    ['I am going to class today']*10 + ['I am not going to class today']*4,
    ['Positive']*10 + ['Negative']*4
]
df = pd.DataFrame(df).transpose()
df.columns=['Features','Class']

# 第一步：将文本转换为TF-IDF特征（得到二维稀疏矩阵）
vectorizer = TfidfVectorizer()
X = vectorizer.fit_transform(df['Features'])
y = df['Class']

# 第二步：执行过采样
oversample = RandomOverSampler(sampling_strategy='minority')
X_over, y_over = oversample.fit_resample(X, y)

# 验证结果
print(Counter(y_over))
# 后续可以直接用X_over和y_over训练分类模型

如果只是临时解决当前的报错，方法1足够；但如果是完整的文本分类项目，更推荐方法2，它更贴合实际建模流程。

内容的提问来源于stack exchange，提问作者user86907