当我从我的数据中预测一个样本时，它会给出重塑错误，但我的模型具有相同数量的行数。这是我的代码：
import pandas as pd
from sklearn.linear_model import LinearRegression
import numpy as np
x = np.array([2.0 , 2.4, 1.5, 3.5, 3.5, 3.5, 3.5, 3.7, 3.7])
y = np.array([196, 221, 136, 255, 244, 230, 232, 255, 267])
lr = LinearRegression()
lr.fit(x,y)
print(lr.predict(2.4))
错误是
if it contains a single sample.".format(array))
ValueError: Expected 2D array, got scalar array instead:
array=2.4.
Reshape your data either using array.reshape(-1, 1) if your data has a
single feature or array.reshape(1, -1) if it contains a single sample.
您应该将X重塑为2D数组而不是1D数组。拟合模型需要2D数组。i. e（n_samples，n_features）
x = np.array([2.0 , 2.4, 1.5, 3.5, 3.5, 3.5, 3.5, 3.7, 3.7])
y = np.array([196, 221, 136, 255, 244, 230, 232, 255, 267])
lr = LinearRegression()
lr.fit(x.reshape(-1, 1), y)
print(lr.predict([[2.4]]))
错误基本上是说将平面特征数组转换为列数组。reshape（-1,1）完成了这项工作；也可以使用[：，无]。
特征数组X的第二维必须与传递给预测（）的任何第二维相匹配。由于X被强制转换为2D数组，传递给预测（）的数组也应该是2D的。
x = np.array([2.0 , 2.4, 1.5, 3.5, 3.5, 3.5, 3.5, 3.7, 3.7])
y = np.array([196, 221, 136, 255, 244, 230, 232, 255, 267])
X = x[:, None] # X.ndim should be 2
lr = LinearRegression()
lr.fit(X, y)
prediction = lr.predict([[2.4]])
如果你的输入是一个熊猫列，那么使用双括号（[[]]）得到一个2D特征数组。
df = pd.DataFrame({'feature': x, 'target': y})
lr = LinearRegression()
lr.fit(df['feature'], df['target']) # <---- error
lr.fit(df[['feature']], df['target']) # <---- OK
# ^^ ^^ <---- double brackets
如果我们查看fit（）的源代码，首先要做的事情之一是通过validate_data（）方法验证输入，该方法调用check_array（）来验证X。check_array（）检查X是否是2D的。X必须是2D的，因为最终，LinearRegression（）. fit（）调用scery.linalg.lstsq来解决最小二乘问题，lstsq要求X是2D来执行矩阵乘法。
对于分类器，需要第二维来获得特征的数量，这对于获得正确形状的模型系数至关重要。
