Pandas DataFrame列子集化后列维度丢失问题求助

看起来你是把特征和标签的子集搞反了，还踩了Pandas单列索引返回一维结构的小坑——这是新手用Pandas处理机器学习数据时很常见的问题，我来帮你理清楚：

问题根源分析 #

你提到子集化前8列后X.shape是(768,)，反而Y.shape是(768,8)，这说明你大概率搞反了X和Y的赋值逻辑：

• 当你执行X = pima.iloc[:,-1].values时，你取的是最后一列（也就是标签列），而非前8列特征，所以X变成了一维数组(768,)
• 而你可能误把前8列赋值给了Y，导致Y是二维的(768,8)

另外，Pandas的iloc在取单个列时（比如iloc[:, -1]），返回的是Series对象，转成numpy数组后就是一维结构；只有取多个列时（比如iloc[:, :8]），才会返回DataFrame，转成数组后是二维的(样本数, 特征数)，这才是大多数机器学习模型fit方法要求的特征矩阵格式。

正确的代码实现 #

下面是正确的子集化步骤，保证X和Y的维度符合模型要求：

import pandas as pd

# 读取数据集
pima = pd.read_csv('你的数据集路径.csv')
print(pima.shape)  # 输出 (768, 9)，符合预期

# 提取前8列作为特征矩阵X（二维，shape=(768, 8)）
X = pima.iloc[:, :8].values

# 提取最后一列作为标签Y（一维，shape=(768,)，大多数模型接受这种格式）
Y = pima.iloc[:, -1].values

# 如果你的模型要求Y是二维数组（比如某些深度学习框架），可以这样写：
# Y = pima.iloc[:, -1:].values  # shape=(768, 1)

验证维度 #

运行完上面的代码后，你可以打印维度确认：

print(X.shape)  # 输出 (768, 8)
print(Y.shape)  # 输出 (768,) 或 (768, 1)

这样再调用模型的fit(X, Y)方法就不会因为维度问题报错了。

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