Sklearn train_test_split拆分多输入数据时输出维度不符合预期

手动拼接两个特征数组的步骤触发了numpy的对象数组退化机制，根本没有生成符合维度预期的规则张量，具体过程如下：

• 逐样本zip配对X1、X2之后，每个配对元素是形状为(12,)的X1单样本、形状为(51,5)的X2单样本，两者形状完全不匹配，numpy无法将其拼接成连续的多维数值数组
• 此时执行np.array(list(zip(X1, X2)))，最终生成的X不是预期的(1920, 2)形状的规则数组，而是dtype为object的一维数组，长度和样本数一致，每个元素是存了两个特征数组的元组
• 后续拆分完成后，对X_train做[:, 0]、[:, 1]切片时，因为整个数组是一维结构，切出来的结果本质还是长度为1536的一维对象数组，并不会自动展开每个元素里存的原始特征维度，最终拿到的形状自然和预期差了特征维度部分。

方案1：跳过手动拼接步骤（最稳妥无额外开销） #

train_test_split原生支持同步拆分多个第一维样本数一致的数组，会基于同一套随机抽样索引完成所有数组的拆分，完全不需要手动打包特征：

from sklearn.model_selection import train_test_split

X1 = np.load('x_train.npy')
X2 = np.load('oneHot.npy')
y = np.load('y_train.npy')

# 按相同索引同步拆分所有输入数组
X1_train, X1_valid, X2_train, X2_valid, y_train, y_valid = train_test_split(
    X1, X2, y, test_size=0.2, random_state=42
)

拆分完成后形状完全符合预期：

• X1_train形状为(1536, 12)
• X2_train（即原代码中的oneHot_train）形状为(1536, 51, 5)

方案2：确需打包特征时的正确拼接逻辑 #

如果业务场景要求必须把两个特征打包成单个对象传入拆分函数，不能直接用zip转普通数组，需要在拆分后主动展开堆叠特征：

# 初始化和样本数等长的object数组，逐样本存入配对的特征
X = np.empty(len(X1), dtype=object)
for idx in range(len(X1)):
    X[idx] = (X1[idx], X2[idx])

X_train, X_valid, y_train, y_valid = train_test_split(X, y, test_size=0.2)
# 从object数组中逐样本提取特征，沿样本维度重新拼成规则张量
X1_train = np.stack([sample[0] for sample in X_train])
oneHot_train = np.stack([sample[1] for sample in X_train])

补充验证技巧：可以在执行拼接后直接打印X.shape和X.dtype确认数组类型，如果输出显示dtype=object且第一维就是总样本数，就说明触发了numpy的对象数组退化，需要调整拼接逻辑。

内容的提问来源于stack exchange，提问作者John