构建决策树时出现ValueError: Length of feature_names, 4 does not match number of features, 10的解决办法

程序员文章站 2022-03-26 10:29:35

构建决策树时出现ValueError: Length of feature_names, 4 does not match number of features, 10的解决办法以下为原代码：import pandas as pdfrom sklearn import treeball_data = pd.read_csv('ball.csv')cat_features = ['Outlook','Temperature','Humidity','Windy']ball_data_onehot...

构建决策树时出现ValueError: Length of feature_names, 4 does not match number of features, 10的解决办法

以下为原代码：

import pandas as pd
from sklearn import tree

ball_data = pd.read_csv('ball.csv')
cat_features = ['Outlook','Temperature','Humidity','Windy']
ball_data_onehot = pd.get_dummies(ball_data,columns=cat_features)
ball_data_onehot['Play'] = ball_data_onehot['Play'].map({'No':0,'Yes':1}).astype(int)
ball_data_tr_in = ball_data_onehot.drop(columns=['Play'])
ball_data_tr_out = ball_data_onehot['Play']

from sklearn.model_selection import train_test_split

X_train,X_test,y_train,y_test = train_test_split(ball_data_tr_in,ball_data_tr_out,test_size=0.3,random_state=1)
#random_state=1表示数据集中的测试集和训练集每次运行都随机生成，random_state=1表示除第一次运行数据集中的训练集和测试集是随机生成的以外，之后每次运行的数据集和测试集都和第一次运行一样
print(X_train)
print(y_train)
clf = tree.DecisionTreeClassifier(criterion='entropy')
model = clf.fit(X_train,y_train)
res = model.predict(X_test)
print(res)    #模型结果输出
print(y_test)    #实际值
print(sum(res==y_test)/len(res))    #准确率

#测试DecisionTreeClassifier()不加参数的情况
clf1 = tree.DecisionTreeClassifier()
clf1 = clf.fit(ball_data_tr_in,ball_data_tr_out)
print('clf1:'+str(clf1))    #打印模型，打印出来是一个函数
print(clf1)

#自己构建一个数据A，代入模型对A进行预测
A = ([[0,1,0,0,0,1,0,1,0,1]])
predict_result = clf.predict(A)
print('预测结果：'+str(predict_result))
if predict_result==0:
    print('湿度正常，有点雨，有雾，有风的时候不去打球')

#构建决策树
import graphviz
dot_data = tree.export_graphviz(model,out_file = None,
                                feature_names=['Outlook','Temperature','Humidity','Windy'],
                                class_names = ['No','Yes'],
                                filled = True,rounded = True,
                                special_characters = True)
graph = graphviz.Source(dot_data)
graph.render('PlayBall')

pycharm运行后报错将错误索引到构建决策树时的tree.export_graphviz中的feature_names这一参数上，以下为代码错误部分：

dot_data = tree.export_graphviz(model,out_file = None,
                                feature_names=['Outlook','Temperature','Humidity','Windy'],
                                class_names = ['No','Yes'],
                                filled = True,rounded = True,
                                special_characters = True)

错误就出在feature_names=[‘Outlook’,‘Temperature’,‘Humidity’,‘Windy’] 这个地方，feature_names这一参数的作用是使决策树图中的各个小块可以显示其对应的特征名（自己是初学者描述不够详细，具体可以去搜其他关于export_graphviz()参数的资料），而这一参数要求参数值必须与被分析的数据集中的特征名（也叫属性名）对应，数量一致且顺序一致，且不要把类标号class也写进去（因为类标号是最终分析的结果）。

以上面原代码为例，一开始读取ball.csv数据文件，具体内容如下：

Outlook	Temperature	Humidity	Windy	Play
sunny	hot	high	no	No
sunny	hot	high	yes	No
overcast	hot	high	no	Yes
rain	mild	high	no	Yes
rain	cool	normal	no	Yes
rain	cool	normal	yes	No
overcast	cool	normal	yes	Yes
sunny	mild	high	yes	No
sunny	cool	normal	no	Yes
rain	mild	normal	no	Yes
sunny	mild	normal	yes	Yes
overcast	mild	high	yes	Yes
overcast	hot	normal	no	Yes
rain	mild	high	yes	No

可以发现特征名为Outlook,Temperature,Humidity,Windy（且以此顺序），Play是类标号，在原代码一开始我们定义了一个cat_features = [‘Outlook’,‘Temperature’,‘Humidity’,‘Windy’] 的列表用于存放我们所需要进行的独热编码的列名称（即特征名），ball_data_onehot = pd.get_dummies(ball_data,columns=cat_features) 用于对数据进行独热编码，注意一定要理解独热编码的具体含义，在此处非常重要，具体可以去查其他相关资料；一开始提到错误出现在feature_name这里，因为feature_name要求和数据的特征名一致，但是此时观察上表以及cat_features发现不管是特征名还是特征名的顺序都一致，但是为什么会出现Length of feature_names, 4 does not match number of features, 10（feature_name的个数4与数据中特征名的个数10不符） 这样的错误呢？
构建决策树时出现ValueError: Length of feature_names, 4 does not match number of features, 10的解决办法
其实稍微了解独热编码后会发现，pd.get_dummies() 对数据进行独热编码后，数据的结构会发生很大的改变，在对上表的数据进行独热编码后数据变为：

Outlook_overcast	Outlook_rain	Outlook_sunny	Temperature_cool	Temperature_hot	Temperature_mild	Humidity_high	Humidity_normal	Windy_no	Windy_yes
0	0	1	0	1	0	1	0	1	0
0	0	1	0	1	0	1	0	0	1
1	0	0	0	1	0	1	0	1	0
0	1	0	0	0	1	1	0	1	0
0	1	0	1	0	0	0	1	1	0
0	1	0	1	0	0	0	1	0	1
1	0	0	1	0	0	0	1	0	1
0	0	1	0	0	1	1	0	0	1
0	0	1	1	0	0	0	1	1	0
0	1	0	0	0	1	0	1	1	0
0	0	1	0	0	1	0	1	0	1
1	0	0	0	0	1	1	0	0	1
1	0	0	0	1	0	0	1	1	0
0	1	0	0	0	1	1	0	0	1

发现经过独热编码后此时特征名已经变成了：Outlook_overcast,Outlook_rain,Outlook_sunny,Temperature_cool,Temperature_hot,Temperature_mild,Humidity_high,Humidity_normal,Windy_no,Windy_yes，恰好是10个，真相大白，
这才是feature_names的正确赋值，此时将feature_names改为：

feature_names=['Outlook_overcast','Outlook_rain','Outlook_sunny','Temperature_cool','Temperature_hot','Temperature_mild','Humidity_high','Humidity_normal','Windy_no','Windy_yes']