垃圾检测代码调用sklearn predict触发0样本ValueError报错

报错核心原因 #

ValueError: Found array with 0 sample(s) (shape=(0, 19)) while a minimum of 1 is required 这个错误和预训练模型trained_rf.pkl本身加载是否正常无关，scikit-learn的所有预估器在调用predict()时都会校验输入样本量，要求至少传入1条有效样本，你当前传入预测接口的特征矩阵形状是(0,19)——说明19维的特征列数是匹配模型要求的，但样本行数为0，本质是数据处理流程没有输出任何有效待预测样本。

结合该垃圾推文检测项目的代码逻辑，该问题基本由以下几类原因导致：

• 数据集读取失败：代码中配置的数据集路径错误、文件编码不匹配，导致读到的原始数据集是空DataFrame，后续全流程处理完自然没有有效样本
• 预处理过滤逻辑异常：文本清洗、无效样本过滤环节规则写错，比如空值过滤逻辑写反、文本长度阈值设得过高、去重逻辑错误，导致所有原始样本都被判定为无效内容过滤掉
• 数据集拆分逻辑错误：训练测试拆分时测试集比例设为0、标签映射错误把所有测试集样本筛除，最终传给预测环节的测试集为空
• 特征提取流程和训练模型时的流程不匹配：比如自行修改了停用词表、特征计算规则，导致特征转换环节没有输出有效样本（注：你的报错里特征维度是19，和模型要求的维度一致，这个原因概率较低）

分步排查方法 #

按从后往前的顺序逐环节校验样本量，很快能定位问题点：

1. 在model.predict()调用前加两行校验代码，先确认输入为空的问题：

   # 替换成你实际传入predict方法的特征变量名
   print("待预测特征矩阵形状：", X_input.shape)
   print("待预测样本数：", len(X_input))
   

   运行后如果输出的第一个维度值为0，坐实输入为空的问题。
2. 往前追溯数据处理全流程，每个关键节点打印样本数：
   • 原始数据集读取完成后，打印len(raw_data)，如果值为0，直接查文件路径、读取函数的编码参数，读取推文类csv文件优先试encoding='utf-8'和encoding='latin-1'，确保读入的样本数和你准备的数据集实际样本数一致
   • 文本清洗、无效样本过滤完成后，打印len(cleaned_data)，如果这里样本数变成0，逐行核对过滤规则：比如是否把文本长度阈值设得比所有推文都长、是否dropna()误删了所有行、是否去重时逻辑写反保留了空值
   • 特征提取、训练测试拆分完成后，分别打印训练集、测试集的样本数，确认测试集样本数大于0
3. 做模型可用性验证：手动构造1条符合维度要求的测试样本传入预测接口，如果能正常返回结果，说明模型本身完全正常，问题100%出在数据处理环节：

   import numpy as np
   # 构造1条19维的随机测试样本，仅用于验证模型可用性
   verify_sample = np.random.rand(1, 19)
   print(model.predict(verify_sample))
   

对应修复方案 #

• 若为数据集读取问题：修正数据集路径，匹配正确的文件编码，确保原始数据正常读入
• 若为预处理过滤问题：逐行对齐原仓库的预处理代码，不要自行修改清洗阈值、过滤规则，确保清洗后保留有效样本
• 若为数据集拆分问题：检查train_test_split的test_size参数不要设为0，核对标签映射逻辑，不要把测试集样本全部筛除
• 不要随意修改原仓库的特征提取逻辑，预训练模型对输入特征的顺序、维度有固定要求，修改逻辑极易出现不可预期的问题

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