训练scikit-learn线性模型触发数据形状报错，尝试reshape调整仍无效

scikit-learn所有监督学习模型的fit接口对输入特征矩阵X有强制格式要求：必须是二维结构，形状为(样本总数, 单个样本的特征数)，不接受一维序列作为输入。
当前复现代码中，x=df1['First']提取的是pandas一维Series，形状为(10,)，直接传入model.fit()自然会触发形状不匹配异常。之前尝试reshape没解决问题，通常是因为reshape后得到的二维结构不符合样本维度要求——比如把数据转成了(1,10)的单行结构，和接口要求的(10,1)样本结构不匹配。

• 取特征时直接构造二维结构：不要用单括号取列得到Series，改用双括号df1[['列名']]提取特征，得到的是带单列的二维DataFrame，形状自动为(样本数, 1)，完全符合接口要求。单标签的目标值y用单括号提取为一维Series是被接口允许的，不需要额外重塑。
• 已拿到一维序列时的正确重塑方式：如果已经通过单括号拿到了一维的Series/数组，用.values.reshape(-1, 1)转换即可，-1会自动适配样本行数，最终得到(样本数,1)的合规结构。注意不要用reshape(1, -1)，这种写法会把所有样本塞成单行，维度方向完全错误。

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

#create data 
df1 = pd.DataFrame()
df1['First']=[1,2,3,4,5,6,7,8,9,10]
df1['Second']=[2,4,6,8,10,12,14,16,18,20]

# 修正点：双括号取列，生成形状为(10,1)的二维特征矩阵
x = df1[['First']]
y = df1['Second']

#select model 
model = sklearn.linear_model.LinearRegression()

#train
model.fit(x,y)

#predict 
X_new = [[5]]
print(model.predict(X_new))

代码运行后会输出[10.]，和手动推导的y=2x的线性关系完全一致，不会再触发形状报错。

避坑提示：后续如果做特征预测时输入的X_new如果是单个值（比如直接传5），也同样需要包成二维结构，比如写成[[5]]，这部分你的代码已经是合规的。

内容的提问来源于stack exchange，提问作者Nathan