Python：使用DataFrame变量进行线性回归的报错解决咨询

问题重现 #

你在DataFrame中有A和B两个变量，执行以下代码时出现错误：

x=df.['A']  # 语法错误：多余的点，正确应为df['A']
y=df.['B']

M = LinearRegression()
M.fit(A,B)  # 变量名错误：应使用定义好的x、y

报错信息：

Expected 2D array, got 1D array instead:
array=[86. 0. 86. ... 0. 0. 0.].
Reshape your data either using array.reshape(-1, 1) if your data has a single feature or array.reshape(1, -1) if it contains a single sample.

尝试用reshape时又报错：

"'Series' object has no attribute 'reshape'"

原因分析 #

1. 维度要求：sklearn的LinearRegression.fit()要求特征数据必须是2维数组，但直接从DataFrame取单列得到的是pandas Series（1维结构），不符合要求。
2. 方法适配问题：reshape是numpy数组的方法，Series本身没有这个属性，需要先转换结构再调整维度。

解决办法 #

以下是几种可行的解决方案：

方案1：双中括号提取列，直接得到2D DataFrame

提取列时使用df[['A']]（双中括号），得到的是DataFrame而非Series，天然满足2维要求：

from sklearn.linear_model import LinearRegression

# 正确提取2维特征数据
x = df[['A']]
y = df['B']  # 目标变量可以是1维Series

M = LinearRegression()
M.fit(x, y)

方案2：将Series转为numpy数组后reshape

通过.to_numpy()或.values把Series转成numpy数组，再用reshape(-1,1)调整为2维：

x = df['A'].to_numpy().reshape(-1, 1)
y = df['B']

M = LinearRegression()
M.fit(x, y)

方案3：链式调用Series的values属性与reshape

直接对Series的values属性调用reshape方法：

x = df['A'].values.reshape(-1, 1)
y = df['B']

M = LinearRegression()
M.fit(x, y)

额外修正点 #

• 原代码中df.['A']是语法错误，必须去掉点，写成df['A']；
• fit(A,B)中的变量名错误，应使用你定义的x和y，否则会报变量未定义错误。

内容的提问来源于stack exchange，提问作者ViB