Pandas创建DataFrame报形状不匹配ValueError解决方法

报错核心是数据维度和列名长度不匹配：

• 你传入的data数组由过采样后的特征列、标签列横向拼接得到，总共只有2列：其中X是df.columns[3:4]切片取到的1列数据，y维度重构后为1列，拼接后数组形状为(2270, 2)
• 创建DataFrame时传入的columns参数为df.columns，对应原数据集的4个列名，要求传入数据必须有4列才能完成匹配，列数不一致直接触发报错
• 存在隐藏逻辑问题：4列数据集的列索引范围是0~3，df.columns[3:4]取到的是索引为3的列，也就是你定义的最后一列标签列，等于X和y取了同一列数据，该问题会直接导致后续模型训练无效，需要优先修正。

根据实际使用场景选择对应方案即可：

方案1：仅需用过采样后的特征列+标签列做训练 #

不需要关联原表其他列的话，直接给DataFrame传入和列数匹配的列名即可，不要使用原表全量列名：

over = RandomOverSampler()
X, y = over.fit_resample(X, y)
data = np.hstack((X, np.reshape(y, (-1,1))))
# 传入和2列数据对应的列名，注意先修正X的列选取逻辑，不要和y取同一列
transformed_df = pd.DataFrame(
    data,
    columns=[df.columns[3], df.columns[-1]] # 替换为实际使用的特征列名、标签列名
)

方案2：需要保留原表其他列（如新闻文本、分类、板块字段） #

不要提前只切1列特征做过采样，否则过采样打乱样本顺序后，无法将其他列和采样后的样本正确对齐。正确做法是把所有需要保留的字段都作为特征传入过采样器，采样后直接生成全量DataFrame：

# 第一步：修正列选取逻辑
# 示例：如果最后一列是标签，其余列是需要保留的特征（包含文本列、分类列、数值列）即可用下面的写法
# 如果只需要保留数值特征+标签，就把X改成选取对应的数值列即可
X = df.drop(columns=df.columns[-1]).values
y = df[df.columns[-1]].values

# 第二步：过采样
over = RandomOverSampler()
X_resampled, y_resampled = over.fit_resample(X, y)

# 第三步：生成DataFrame，此时列数和原表一致，可以直接使用原表列名
data = np.hstack((X_resampled, np.reshape(y_resampled, (-1,1))))
transformed_df = pd.DataFrame(data, columns=df.columns)

• 过采样前务必核对列索引，确保特征列和标签列没有重复选取
• RandomOverSampler支持传入多列特征，采样时会同步打乱所有特征列和标签的顺序，保证样本对应关系不会错乱
• 如果要做文本分类，建议把新闻文本列也纳入特征传入模型，仅用单一数值列做特征的分类效果会很差

内容的提问来源于stack exchange，提问作者MagiCs ito