循环遍历DataFrame计算递增行R2报错：numpy.float64无values属性

代码存在4处逻辑/写法问题，直接触发报错的是第一点：

• 取值对象类型错误：df['a'].loc[0+n] 是通过行标签取单个单元格的标量值（类型为numpy.float64），并非pandas Series对象，因此不存在.values属性。循环外直接对整列df['a']（Series类型）调用.values自然可以正常运行。
• 计数器逻辑失效：每次for循环内部都执行n=0重置计数，即使修复取值错误，也永远只能取到第0行的数据，无法实现「子集行数逐行递增」的需求。
• 数组维度不匹配：构造X时用np.ones(len(df))生成的是和全表长度一致的数组，和递增子集的长度不匹配，后续拟合时会触发维度错误。
• 无效拟合场景：循环第一轮仅取1行样本，样本量小于特征数（带截距共2个特征），线性回归模型无法正常拟合。

import pandas as pd
import numpy as np
from sklearn.linear_model import LinearRegression
import matplotlib.pyplot as plt

df = pd.DataFrame()
a = [1, 1.5, 2, 4, 5, 6, 7, 8, 9, 10]
b = [2, 4, 6, 7, 8, 9, 10, 11, 12, 13]
df['a'] = a
df['b'] = b
print(df)

plt.scatter(x=df['a'], y=df['b'])
lr = LinearRegression()

# 从至少2个样本开始遍历，逐次扩大子集到全部数据
for end_idx in range(2, len(df)+1):
    # 取从第0行到end_idx-1行的递增子集
    sub_df = df.iloc[:end_idx]
    # 构造特征：截距项 + 自变量a，长度和当前子集一致
    X = np.column_stack([
        np.ones(len(sub_df), dtype=np.float32),
        sub_df['a'].values
    ])
    y = sub_df['b'].values
    model = lr.fit(X, y)
    r2 = model.score(X, y)
    print(f'前{end_idx}行数据拟合的R Squared: {r2:.4f}')

plt.show()

• 改用iloc[:end_idx]做行切片，直接生成从2行到全表的逐次增量子集，不需要额外维护计数器，逻辑更简洁。
• 所有特征、标签数组的长度都基于当前子集计算，避免维度不匹配问题。
• 迭代从2个样本的子集开始，跳过无法拟合的单样本场景。
• 对子集整列（Series类型）调用.values转换为numpy数组，符合方法调用的对象类型要求。

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