如何修改代码：将循环传入iloc索引行改为传入class_zero行并打印预测

原来你是用iloc[n]指定单行索引来做预测，现在要改成遍历class_zero里的每一行，逐个输出预测结果对吧？我给你整理了具体的实现方式：

核心思路 #

先确保class_zero是你从原DataFrame里筛选好的目标子集（比如标签为0的行），然后直接遍历这个子集的每一行，对每行执行预测，最后把结果打印出来就行。

代码示例（直接能用的那种） #

假设你的预测模型是model，原数据集是df，class_zero是筛选后的DataFrame，代码可以这么写：

# 先确认class_zero的筛选逻辑（这里以标签列label=0为例，你可以根据自己的实际情况改）
class_zero = df[df['label'] == 0]

# 遍历class_zero里的每一行
for row_idx, single_row in class_zero.iterrows():
    # 把单行数据转成模型需要的输入格式（因为大部分模型要求输入是二维数组，所以要reshape一下）
    input_features = single_row.values.reshape(1, -1)
    # 执行预测
    pred_result = model.predict(input_features)
    # 打印结果，你可以自定义打印内容，比如行索引、预测值，甚至该行的特征数据
    print(f"行索引 {row_idx} 的预测结果：{pred_result[0]}")
    # 如果需要看该行的具体特征，可以加下面这行
    # print(f"对应特征数据：{single_row.to_dict()}")

几个要注意的小细节 #

• 如果你的class_zero里包含标签列（比如用来筛选的那列），记得在转输入特征的时候把标签列去掉，比如改成input_features = single_row.drop('label').values.reshape(1, -1)
• iterrows()会返回每行的索引和对应的行数据（Series类型），用values转成数组再reshape，是为了符合模型输入的格式要求（必须是(n_samples, n_features)的二维结构）
• 要是你的class_zero已经是处理好的纯特征集（没有标签列），那直接用single_row.values.reshape(1, -1)就ok

这样改完之后，就不用手动指定行索引n了，程序会自动把class_zero里的每一行都跑一遍预测，并且打印出每一行的结果~

内容的提问来源于stack exchange，提问作者user9238790