TypeError: cannot unpack non-iterable StandardScaler object
Pipeline primește o listă de perechi (nume, pas), iar tu i-ai dat pașii fără nume. Scrie Pipeline([("scaler", StandardScaler()), ("model", LogisticRegression())]), sau folosește make_pipeline(StandardScaler(), LogisticRegression()), care pune numele singur.
Explicat de Tudor Andrei Dumitrescu, Senior Software Developer, fondatorul Academiei ProgramatorilorActualizat la
Ce înseamnă
Constructorul Pipeline(steps) așteaptă o listă în care fiecare element e o pereche: un nume (text) și un obiect. La fit, scikit-learn parcurge lista și despachetează fiecare element în nume, pas. Când elementul e direct un StandardScaler(), nu are ce despacheta, deci Python spune că obiectul „nu e iterabil” și nu poate fi desfăcut în două.
Numele obiectului din mesaj îți arată primul pas fără nume. Aceeași greșeală la ColumnTransformer dă un mesaj asemănător, pentru că acolo fiecare element are trei părți: nume, transformator și coloane.
Dacă nu ai nevoie de nume alese de tine, make_pipeline și make_column_transformer le generează automat din numele claselor (standardscaler, logisticregression), pe care le folosești apoi în grile ca logisticregression__C.
De ce apare: cauzele frecvente
1Pași fără nume în Pipeline
model = Pipeline([StandardScaler(), LogisticRegression()])model = Pipeline([("scaler", StandardScaler()), ("model", LogisticRegression())])Fiecare pas este o pereche (nume, obiect), iar numele e folosit la parametri și la named_steps.
2Vrei pipeline fără să alegi nume
model = Pipeline([StandardScaler(), LogisticRegression()])from sklearn.pipeline import make_pipeline
model = make_pipeline(StandardScaler(), LogisticRegression())make_pipeline primește pașii direct și le dă singur nume.
3ColumnTransformer fără nume
ColumnTransformer([(OneHotEncoder(), ["oras"])])ColumnTransformer([("cat", OneHotEncoder(), ["oras"])])La ColumnTransformer, fiecare element are trei părți: nume, transformator, coloane.
Repară eroarea, direct în pagină
Codul de mai jos dă TypeError: cannot unpack non-iterable StandardScaler object, pentru că pașii din Pipeline nu au nume. Dă-le numele „scaler” și „model”, ca programul să afișeze numele pașilor și predicțiile.
from sklearn.linear_model import LogisticRegression
from sklearn.pipeline import Pipeline
from sklearn.preprocessing import StandardScaler
# venit (mii lei), varsta -> a cumparat (1) sau nu (0)
X = [[2, 25], [3, 30], [4, 22], [9, 40], [10, 35], [12, 45]]
y = [0, 0, 0, 1, 1, 1]
model = Pipeline([StandardScaler(), LogisticRegression()])
model.fit(X, y)
print("Pasi:", list(model.named_steps))
print("Predictii:", model.predict([[3, 28], [11, 38]]).tolist())Pasi: ['scaler', 'model'] Predictii: [0, 1]
Indiciu
Fiecare pas devine o pereche: ("scaler", StandardScaler()).
Reparația
from sklearn.linear_model import LogisticRegression
from sklearn.pipeline import Pipeline
from sklearn.preprocessing import StandardScaler
# venit (mii lei), varsta -> a cumparat (1) sau nu (0)
X = [[2, 25], [3, 30], [4, 22], [9, 40], [10, 35], [12, 45]]
y = [0, 0, 0, 1, 1, 1]
model = Pipeline([("scaler", StandardScaler()), ("model", LogisticRegression())])
model.fit(X, y)
print("Pasi:", list(model.named_steps))
print("Predictii:", model.predict([[3, 28], [11, 38]]).tolist())De ce merge
Acum fiecare element al listei e o pereche (nume, obiect), exact ce despachetează Pipeline. La fit, datele trec întâi prin pasul „scaler”, apoi prin „model”, iar numele apar în named_steps. Clientul cu venit mic e prezis 0, iar cel cu venit mare 1.
Alte forme ale mesajului
TypeError: cannot unpack non-iterable LogisticRegression objectTypeError: cannot unpack non-iterable SimpleImputer objectValueError: not enough values to unpack (expected 3, got 2)
Cum o eviți pe viitor
Alege o singură formă și folosește-o consecvent: make_pipeline(...) pentru pipeline-uri scurte, Pipeline([(nume, pas), ...]) când vrei nume clare pentru GridSearchCV (model__C). Scrie fiecare pas pe rândul lui, ca parantezele perechilor să se vadă ușor. Verifică lista cu print(model.steps) după construcție.
Întrebări frecvente
Ce nume primesc pașii la make_pipeline?
Numele clasei cu litere mici: standardscaler, logisticregression. Le vezi cu model.named_steps.keys().
Pot amesteca pași cu nume și fără nume?
Nu. În Pipeline toți pașii sunt perechi, iar în make_pipeline toți sunt obiecte simple.
Erori înrudite
ValueError: Names provided are not unique: ['model', 'model'] Doi pași din Pipeline (sau din ColumnTransformer, FeatureUnion, VotingClassifier) au același nume. Numele trebuie să fie unice, pentru că după ele accesezi pașii și setezi parametrii (model__C). Dă fiecărui pas un nume diferit. TypeError: All intermediate steps should be transformers and implement fit and transform or be the string 'passthrough' 'LogisticRegression()' (type <class 'sklearn.linear_model._logistic.LogisticRegression'>) doesn't Într-un Pipeline, toți pașii în afară de ultimul trebuie să fie transformatori (scaler, encoder, imputer), iar modelul trebuie să fie ultimul. Aici modelul a fost pus înaintea scaler-ului. Mută modelul la final: Pipeline([('scaler', StandardScaler()), ('model', LogisticRegression())]). ValueError: Invalid parameter 'C' for estimator Pipeline(steps=[('scaler', StandardScaler()), ('model', LogisticRegression())]). Valid parameters are: ['memory', 'steps', 'transform_input', 'verbose']. Ai dat lui GridSearchCV (sau lui set_params) un parametru al modelului direct pipeline-ului. Într-un pipeline, parametrii pașilor se scriu cu numele pasului și două underscore-uri: 'model__C' în loc de 'C'. Învață Machine Learning de la zero, cu exerciții la fiecare lecție
Curs Machine Learning și AI pentru începători: lecții scurte, fiecare cu un exercițiu verificat automat, direct în browser. Primele 15 lecții sunt gratuite.
