交叉验证StratifiedKFold报错“None of [Int64Index([ 0, 1, 2, 3, 4, 5, 6, 7, 8, 9,\n ...\n 586, 588, 590,

最新推荐文章于 2023-10-29 19:24:00 发布
最新推荐文章于 2023-10-29 19:24:00 发布
阅读量2.4k 收藏 7
点赞数 6
文章标签： 机器学习 人工智能
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/m0_57194506/article/details/122842215
版权 
 

for train_index, test_index in skf.split(X, y) :    
    RFC.fit(X[train_index], y[train_index]).predict_proba(X[test_index])
 

报错"None of [Int64Index([ 0, 1, 2, 3, 4, 5, 6, 7, 8, 9,\n ...\n 586, 588, 590,], dtype='int64')] are in the [columns]"
 

解决方法：
 

for train_index, test_index in skf.split(X, y) :    
    RFC.fit(X.iloc[train_index], y.iloc[train_index]).predict_proba(X.iloc[test_index])
 


                

        

        

    




    

      

        

            

              
                
                  爱吃自助烤肉
                
              
            

            

                关注
              
            

        

        

          
    
            
  • 
              
                
                
                
                
                    6
                
              
              
    点赞
    
            
    • 
            
  • 
              
                
                
                
              
              
    踩
    
            
    • 
            
  • 
              
                
                
                
                
                    7
                
              
              
    
                
    
                  
                    收藏
                  
                
    
              
    
              
    
                
    
                  觉得还不错?
                  
                    一键收藏
                  
                 
                
    
              
    
            
    • 
          
  • 
            
    
              
              
            
    
              
              
              
                    0
              
            
            
    评论
    
          
    • 
          
  • 
          
    • 
          
  • 
            
              
            
              
    
            
              
                
            
    
          
    • 
        

      

      










                



	

		

			

				
					
KeyError: “None of [Int64Index([...],\n dtype=‘int64‘, length=739)] are in the [columns]“

				
			

			

				

					data+scenario+science+insight
				

				

					10-17
					
					1万+
					
				

			

		

		

			
				
KeyError: "None of [Int64Index([ 0,  1,  2,  3,  4,  6,  7,  8,  9, 10,\n      ...\n      907, 908, 910, 911, 912, 914, 916, 917, 920, 923],\n      dtype='int64', length=739)] are in the [columns]"



目录

KeyError: "None of [Int6...

			
		

	



                

              
                



	

		

			

				
					
Titanic数据分析——KeyError: "None of [Int64Index([  0,   1,   2,... dtype='int64')] are in the [columns]"

				
			

			

				

					weixin_40238600的博客
				

				

					07-20
					
					2万+
					
				

			

		

		

			
				
代码报错处：
#---------------------------------------------------modify the parameter------------------------------------------------
range_m = np.logspace(2, 6, 5, base = 2).astype(int)
best_m = 0
min_scor...

			
		

	



                


  
              

                


	

		

			

				
					
实验遇到的问题04

				
			

			

				

					hutu_erpiao的博客
				

				

					08-14
					
					672
					
				

			

		

		

			
				
1.脚本报错
报错：
KeyError: “None of [Int64Index([   0,    1,    2,    3,    4,    5,
6,    7,    8,   10,\n            …\n   2062, 2063, 2064, 2065, 2066, 2067, 2068, 2069, 2070, 2071],\n dtype=‘int64’, length=1864)] are in the [columns]”
解决方法：
将数据转换成np.array。



			
		

	





	

		

			

				
					
SVM做鸢尾花分类预测    KeyError: “None of [Int64Index([0, 1, 2, 3], dtype=‘int64‘)] are in the [columns]错误探索

				
			

			

				

					python_love_me的博客
				

				

					12-21
					
					1万+
					
				

			

		

		

			
				
用支持向量机做鸢尾花分类预测时
敲代码有个关于KeyError的报错，如下：
KeyError: “None of [Int64Index([0, 1, 2, 3], dtype=‘int64’)] are in the [columns]”
原始代码如下
import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn import svm
from sklearn.metrics import ac

			
		

	



		

			
		



	

		

			

				
					
python处理空缺值

				
			

			

				

					EatFeng的博客
				

				

					01-14
					
					2540
					
				

			

		

		

			
				
1.计算空缺率
2.拉格朗日插值法

			
		

	





	

		

			

				
					
python第三章 04 Pandas的常用操作

				
			

			

				

					weixin_44576834的博客
				

				

					12-01
					
					538
					
				

			

		

		

			
				
DataFrame 的常用操作一

转置
更改类型
排序
值替换

import pandas as pd

data = {'性别':['男','女','女','男','男'],
        '姓名':['小明','小红','小芳','大黑','张三'],
        '身高':[178,173,165,188,156],
        '年龄':[20,20,25,24,29]}

df = pd.DataFrame(data)

df




  
    
      
      性别


			
		

	





	

		

			

				
					
mysql 报错This function has none of DETERMINISTIC解决方案

				
			

			

				

					09-09
				

			

		

		

			
				
当你遇到错误“ERROR 1418 (HY000): This function has none of DETERMINISTIC, NO SQL, or READS SQL DATA in its declaration and binary logging is enabled”，这意味着你创建的函数没有声明为DETERMINISTIC、NO...

			
		

	





	

		

			

				
					
I2C.rar_4 3 2 1

				
			

			

				

					09-14
				

			

		

		

			
				
6、《I2C》 1）下载程序 2）设置COM口 3）设置波特率：9600；校验位：NONE；数据位：8；停止位：1 4）单字串发送区：输入字符，注意：字符开始为s，结尾为e。

			
		

	





	

		

			

				
					
 PyQt5-Qt5-5.15.2-py3-none-win-amd64.whl

				
			

			

				

					02-20
				

			

		

		

			
				
PyQt5_Qt5-5.15.2-py3-none-win_amd64.whl, 用于网络环境较差时离线安装。 labelimg等工具需要用到。

			
		

	





	

		

			

				
					
mkl-2021.4.0-py2.py3-none-manylinux1-x86-64.whl

					
最新发布

				
			

			

				

					05-22
				

			

		

		

			
				
pytorch

			
		

	





	

		

			

				
					
pip-20.3.4-py2.py3-none-any.whl

				
			

			

				

					03-16
				

			

		

		

			
				
pip-20.3.4-py2.py3-none-any.whl

			
		

	





	

		

			

				
					
python库——pandas

				
			

			

				

					叶柖的博客
				

				

					09-01
					
					1717
					
				

			

		

		

			
				
官方文档：https://pandas.pydata.org/docs/
安装
pip install pandas

jupyter notebook安装
! pip install pandas




			
		

	





	

		

			

				
					
KeyError: “None of [Int64Index([1994, 1995, 1996, 1997, 1998, 1999, 2000, 2001, 2002, 2003, 2004,\n

				
			

			

				

					2303_77083946的博客
				

				

					10-29
					
					456
					
				

			

		

		

			
				
x = ((data[feature] - data_mean[feature])/data_std[feature]).as_matrix()  # 预测，并还原结果。fig = data[['y','y_pred']].plot(subplots = True, style=['b-o','r-*'])  # 画出预测结果图。feature = ['x1', 'x3', 'x4', 'x5', 'x6', 'x7', 'x8', 'x13']  # 属性所在列。

			
		

	





	

		

			

				
					
python之Numpy库简单操作

				
			

			

				

					魏小魏
				

				

					01-15
					
					431
					
				

			

		

		

			
				
在windows中，Numpy安装与其他库一样，可通过pip install numpy安装，也可以自行下载源代码，然后用pip install 路径+文件名全称（包括.后缀文件名）进行安装，源码下载链接：https://pypi.python.org/pypi/numpy/1.14.0，选择对应版本下载即可

import numpy as np #一般用np作为numpy的别名
a = n

			
		

	





	

		

			

				
					
python kfold交叉验证_Scikit Learn-使用KFold交叉验证的决策树

				
			

			

				

					weixin_34553415的博客
				

				

					02-09
					
					1276
					
				

			

		

		

			
				
我对scikit学习/机器学习比较陌生 . 我必须使用Titanic数据集创建决策树，并且需要使用5倍的KFold交叉验证 . 这是我到目前为止所拥有的：cv = KFold(n_splits=5)tree_model = tree.DecisionTreeClassifier(max_depth=3)print(titanic_train.describe())fold_accuracy = [...

			
		

	





	

		

			

				
					
财政收入影响因素分析和预测模型

				
			

			

				

					魏小魏
				

				

					04-30
					
					5973
					
				

			

		

		

			
				
描述：采用数据挖掘算法中人工神经网络算法，首先用Adaptive—Lasso方法找出相关性最大的因素，根据现有的数据建立神经网络模型，然后对未知属性做出预测。代码：import pandas as pd

def Data_pro(feature,data):
    data_train = data.loc[range(1994, 2014)].copy()  # 取2014年前的数据建模
 ...

			
		

	





	

		

			

				
					
机器学习算法交叉验证最频繁犯的6个错误

				
			

			

				

					m0_59596937的博客
				

				

					11-23
					
					1358
					
				

			

		

		

			
				
交叉验证（Cross-Validation）是验证模型有效性的方法，具体的实践流程如下：步骤1：数据集划分为K份，其中K-1份作为训练集，剩余1份作为验证集。步骤2：训练集并记录验证集精度。步骤3：将操作上述循环K次。交叉验证与按照比例划分的方法，与如下优点：交叉验证可以验证模型多次，减少了模型误差中的偏差，验证集精度更加可信。交叉验证可以得到多个模型，在测试集上可以进行多次预测，增加预测结果的多样性。

			
		

	





	

		

			

				
					
sklearn的K折交叉验证函数KFold使用

				
			

			

				

					qq_34211618的博客
				

				

					01-28
					
					4743
					
				

			

		

		

			
				
K折交叉验证时使用：
KFold（n_split, shuffle, random_state）
参数：n_split:要划分的折数
shuffle: 每次都进行shuffle，测试集中折数的总和就是训练集的个数
random_state:随机状态
 from sklearn.model_selection import KFold
 kf = KFold(5, True, 10)
 
 X, Y...

			
		

	





	

		

			

				
					
求助！KeyError:"None of [Index(['2017-01-01， ...\n dtype='object', length=365)] are in the [columns]"

					
热门推荐

				
			

			

				

					weixin_44532220的博客
				

				

					06-23
					
					3万+
					
				

			

		

		

			
				
看的是这篇文章
https://blog.csdn.net/oh5w6hinug43jvrhhb/article/details/78796069
第一个py文件生成随机数，没有报错
import csv
import random
import datetime
fn='data.csv'
with open(fn,'w',newline='') as fp:
    wr=csv.writer...

			
		

	





	

		

			

				
					
None of [Int64Index([2, 1], dtype='int64', name='年级')] are in the [columns]"

				
			

			

				

					05-28
				

			

		

		

			
				
3. 如果 DataFrame 中存在空的行索引名称或列名，需要使用 `None` 或空字符串来指定它们，例如 `df.columns = ['', 'A', 'B']`。 4. 如果 DataFrame 中存在重复的行索引名称或列名，需要先将其去重，例如 `df....

			
		

	



              



  
“相关推荐”对你有帮助么？

  

      
    
          
  • 
              
    
                  
                  
              
    
              
    非常没帮助
    
          
    • 
          
  • 
              
    
                  
                  
              
    
              
    没帮助
    
          
    • 
          
  • 
              
    
                  
                  
              
    
              
    一般
    
          
    • 
          
  • 
              
    
                  
                  
              
    
              
    有帮助
    
          
    • 
          
  • 
              
    
                  
                  
              
    
              
    非常有帮助
    
          
    • 
      

      

      

          
          提交
      

      

  




          




        



    





    



      

      

        
      

      





	

		评论	
	

	
	




  

    

      添加红包
      
    

    

      

        
        

          
          
        

        
请填写红包祝福语或标题

      

      

        
        

          
          个
        

        
红包个数最小为10个

      

      

        
        

          
          元
        

        
红包金额最低5元

      

      

        
        

          当前余额3.43元
          前往充值 >
        

      

      

        

          需支付：10.00元
        

        
        
      

    

  





  

    
    
  

  

    
    
  








  

    

      

        

          

            
            
成就一亿技术人!

          

          

        

        

          

          

            领取后你会自动成为博主和红包主的粉丝
            规则
          

        

      

      

        

          

            
              
            
            

              
hope_wisdom
 发出的红包
            

          

        

        

          

          

          

        

      

    

    

  



      
      

      
实付元

      
使用余额支付

      

        

          

            
            点击重新获取
          

        

        
扫码支付

      

      

        
          
            
          
          
        
      

      

        
        钱包余额
          0
          

            
            

              

                
抵扣说明：

                
 1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
 2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

              

            

          

      

      余额充值