如何将1D列表转换为2D NumPy数组以适配Scaler？

Scikit-learn的Scaler类（如StandardScaler、MinMaxScaler）要求输入必须是2D数组（形状为(n_samples, n_features)），你的features_to_scale是1D数组（形状为(n_features,)），这就是报错的核心原因。下面是几种直接可行的解决方法：

方法1：使用reshape显式转换 #

利用NumPy的reshape方法，通过1, -1指定形状：1代表单个样本，-1让NumPy自动计算特征数量，无需手动指定特征个数。

import numpy as np

# 假设features_to_scale是已转换好的1D数组
features_to_scale = np.array([2.5, 3.1, 1.8])
# 转换为符合要求的2D数组
features_2d = features_to_scale.reshape(1, -1)

方法2：添加新轴扩展维度 #

通过np.newaxis或np.expand_dims给数组增加一个维度，快速实现1D到2D的转换：

# 方式A：使用np.newaxis
features_2d = features_to_scale[np.newaxis, :]

# 方式B：使用np.expand_dims
features_2d = np.expand_dims(features_to_scale, axis=0)

Flask predict函数中的完整示例 #

把维度转换逻辑嵌入到你的Flask预测接口中，确保Scaler能正常接收输入：

from flask import Flask, request, jsonify
import numpy as np
from sklearn.preprocessing import StandardScaler
import joblib

app = Flask(__name__)

# 加载预训练的Scaler（假设已保存为scaler.pkl文件）
scaler = joblib.load('scaler.pkl')

@app.route('/predict', methods=['POST'])
def predict():
    data = request.get_json()
    # 从请求中提取特征并转为1D NumPy数组
    features_to_scale = np.array(data['features'])
    # 转换为2D数组
    features_2d = features_to_scale.reshape(1, -1)
    # 执行特征缩放
    scaled_features = scaler.transform(features_2d)
    # 后续执行模型预测逻辑...
    return jsonify({'scaled_features': scaled_features.tolist()})

if __name__ == '__main__':
    app.run(debug=True)

关键说明 #

• 转换后的2D数组形状为(1, n_features)，完全匹配Scaler对「单个样本、多个特征」的输入要求。
• 如果需要批量处理多个样本，只需把reshape(1, -1)替换为reshape(-1, n_features)，其中-1会让NumPy自动计算样本总数。

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