You need to enable JavaScript to run this app. Python 基于 sklearn 实现 PCA 时出现索引数据需为1维的 ValueError 报错
优惠活动
大模型
产品
解决方案
定价
更多

Python 基于 sklearn 实现 PCA 时出现索引数据需为1维的 ValueError 报错

报错根因定位

该ValueError: Index data must be 1-dimensional是3个连续的代码逻辑错误触发的:

  • 直接给pd.DataFrame的columns参数传入data_numeric,这是一个包含6个数值列的二维DataFrame结构,但pandas要求列索引必须为一维序列结构,直接触发维度不匹配报错。
  • 即使修正了维度问题,你指定n_components=2的PCA输出仅包含2列结果,和传入的6个原特征列数完全不匹配,后续会触发列数不一致的报错。
  • 前置计算逻辑错误:你原本需要对6个纯数值特征做标准化,代码中却直接对包含Churn非数值列的完整df_pcs整体做均值、标准差计算,会因分类列无法参与数值运算触发其他报错。
可直接运行的修正代码
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sb
from pylab import rcParams
from sklearn.decomposition import PCA

df_pcs = pd.read_csv(
    '/Users/personal/Desktop/Data set/churn_raw_data.csv', 
    usecols=['Churn','Age', 'Income', 'Outage_sec_perweek','Yearly_equip_failure', 'Tenure', 'MonthlyCharge']
)
# 筛选建模用的纯数值特征
data_numeric = df_pcs[['Age', 'Income', 'Outage_sec_perweek','Yearly_equip_failure', 'Tenure', 'MonthlyCharge']]
# 仅对数值特征做标准化,排除非数值的Churn列
data_normed = (data_numeric - data_numeric.mean()) / data_numeric.std()

pca = PCA(n_components=2)
pca.fit(data_normed)
# 用一维列表指定列名,和PCA输出的2列结构完全匹配
data_pca = pd.DataFrame(pca.transform(data_normed), columns=['PC1', 'PC2'])
补充操作提示
  • 若需要关联原数据的Churn标签做后续可视化、分析,可通过pd.concat([df_pcs['Churn'], data_pca], axis=1)完成数据拼接,不会破坏PCA的计算逻辑。
  • 同类报错的通用排查思路:传入columns参数的内容如果是二维DataFrame、嵌套列表这类非一维结构,都会触发维度校验错误,传值时需确认是列表、一维Series这类一维序列。

内容的提问来源于stack exchange,提问作者BrOtis

相关产品推荐
方舟 Agent Plan

超全模态模型 × Harness 升级,最新支持 Deepseek-V4.1-Flash、GLM-5.3 系列、Doubao-Seedream-5.0-pro、Kimi-K3 (部分), 限时 9.9 元起

最近更新时间:2026.11.03 08:45:03