Scikit-Learn线性回归预测值求和及数组转float报错问题

你的代码跑不通不是astype转换失效，是存在3个明确错误：

• 循环自增语法写错：x_current_prediction =+1的作用是把变量赋值为正整数1，不是每次循环加1，会导致循环永远卡在x_current_prediction=1的状态死循环，根本执行不到返回结果的步骤。
• 线性回归预测公式写错：LinearRegression训练得到的参数包含斜率coef_和截距intercept_，预测值计算逻辑是y = 斜率 * x + 截距，你漏加了截距项，就算循环跑通计算结果也是错的。
• 类型转换逻辑冗余：regression.coef_是形状为(n_features,)的NumPy数组，单特征场景下是长度为1的一维数组，要取里面的浮点数值直接用索引取对应元素、或者用.item()方法即可，不需要调用astype做全局类型转换——astype只会转换数组内元素的dtype，不会把长度为1的数组变成原生float标量，这也是你觉得转换没生效的原因。

对应你原有while循环逻辑的修正版本 #

number_predictions = 100
x_current_prediction = 1
total_sales = 0
while x_current_prediction <= number_predictions:
    # 补全截距项计算单x对应的预测值，直接取系数数组里的标量值
    pred = x_current_prediction * regression.coef_[0] + regression.intercept_
    total_sales += float(pred)
    # 修正自增语法
    x_current_prediction += 1
print(total_sales)

更推荐的向量化写法（无手动循环） #

Scikit-learn的predict方法原生支持批量输入，NumPy也自带数组求和方法，完全不需要写逐行循环的逻辑，代码更短也不会出现循环语法错误：

# 生成1到100的所有待预测x值，注意保持二维输入格式
x_pred = np.arange(1, number_predictions + 1).reshape(-1, 1)
# 批量预测后直接对结果数组求和
total_sales = regression.predict(x_pred).sum()

补充：如果只是需要取单元素NumPy数组里的标量值，用float(arr)或者arr.item()都可以，不要对数组本身用astype之后直接和标量累加，容易因为数组维度问题出现意料之外的广播错误。

内容的提问来源于stack exchange，提问作者user1922364