ValueError: Found input variables with inconsistent numbers of samples: [5, 4]
X și y (sau y_true și y_pred) au un număr diferit de rânduri: aici 5 și 4. Fiecare exemplu din X trebuie să aibă exact o etichetă în y. Caută locul unde ai filtrat sau ai împărțit doar una dintre ele și construiește-le din același tabel.
Explicat de Tudor Andrei Dumitrescu, Senior Software Developer, fondatorul Academiei ProgramatorilorActualizat la
Ce înseamnă
Lista de la final arată câte rânduri are fiecare argument, în ordinea în care le-ai dat: [5, 4] înseamnă că primul (X) are 5 rânduri, iar al doilea (y) are 4. scikit-learn împerechează rândul i din X cu valoarea i din y, deci numerele trebuie să fie egale.
Apare la fit, score, train_test_split și la toate metricile (accuracy_score, mean_squared_error). Cauzele frecvente: ai șters rânduri (dropna, un filtru) doar din X sau doar din y; ai amestecat y_train cu X_test după împărțire; ai uitat o valoare când ai scris datele de mână; sau ai transpus X (X.T), așa că rândurile au devenit coloane. Afișează X.shape și len(y) chiar înainte de linia care dă eroarea.
De ce apare: cauzele frecvente
1Filtru aplicat doar pe X
X = df[["suprafata"]].dropna()
y = df["pret"]
model.fit(X, y)df = df.dropna(subset=["suprafata"])
X = df[["suprafata"]]
y = df["pret"]
model.fit(X, y)Filtrând tot tabelul înainte de separare, X și y pierd aceleași rânduri și rămân aliniate.
2Seturi de train și test amestecate
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.25)
model.fit(X_train, y_test)X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.25)
model.fit(X_train, y_train)train_test_split întoarce patru valori în ordinea X_train, X_test, y_train, y_test. fit primește perechea de train.
3Metrică calculată pe seturi diferite
y_pred = model.predict(X_test)
print(accuracy_score(y_train, y_pred))y_pred = model.predict(X_test)
print(accuracy_score(y_test, y_pred))Predicțiile sunt pentru exemplele de test, deci le compari cu etichetele de test, care au același număr de rânduri.
Repară eroarea, direct în pagină
Codul de mai jos dă ValueError: Found input variables with inconsistent numbers of samples: [5, 6], pentru că rândul cu vârstă lipsă a fost șters doar din X. Repară-l: elimină rândul din tot tabelul înainte de a construi X și y, ca programul să afișeze câte rânduri au X și y și acuratețea pe datele de antrenare.
import numpy as np
import pandas as pd
from sklearn.linear_model import LogisticRegression
df = pd.DataFrame({
"varsta": [25, 40, np.nan, 35, 52, 23],
"venit": [3000, 7000, 5000, 6500, 9000, 2800],
"aprobat": [0, 1, 1, 1, 1, 0],
})
X = df[["varsta", "venit"]].dropna()
y = df["aprobat"]
model = LogisticRegression(max_iter=1000).fit(X, y)
print("Randuri X:", len(X), "| randuri y:", len(y))
print("Acuratete:", model.score(X, y))Randuri X: 5 | randuri y: 5 Acuratete: 1.0
Indiciu
Înlocuiește df[["varsta", "venit"]].dropna() cu un df = df.dropna() aplicat înainte.
Reparația
import numpy as np
import pandas as pd
from sklearn.linear_model import LogisticRegression
df = pd.DataFrame({
"varsta": [25, 40, np.nan, 35, 52, 23],
"venit": [3000, 7000, 5000, 6500, 9000, 2800],
"aprobat": [0, 1, 1, 1, 1, 0],
})
df = df.dropna()
X = df[["varsta", "venit"]]
y = df["aprobat"]
model = LogisticRegression(max_iter=1000).fit(X, y)
print("Randuri X:", len(X), "| randuri y:", len(y))
print("Acuratete:", model.score(X, y))De ce merge
În codul stricat, dropna a șters rândul al treilea doar din X, care a rămas cu 5 rânduri, în timp ce y avea încă 6. scikit-learn nu mai știe ce etichetă aparține fiecărui client și se oprește. Când aplici dropna() pe tot tabelul înainte de separare, rândul dispare din amândouă, iar X și y au câte 5 rânduri, aliniate pe același index. Regula generală: curăță întâi tabelul, apoi separă X de y.
Alte forme ale mesajului
ValueError: Found input variables with inconsistent numbers of samples: [100, 80]
Cum o eviți pe viitor
Construiește X și y din același DataFrame, după ce ai terminat toată curățarea. După train_test_split, folosește mereu perechile cu același sufix (_train cu _train, _test cu _test). Un assert len(X) == len(y) înainte de fit îți arată imediat problema, iar un Pipeline reduce numărul de locuri în care poți amesteca seturile.
Întrebări frecvente
În ce ordine sunt numerele din paranteze?
În ordinea argumentelor: la fit(X, y) primul e numărul de rânduri din X, al doilea din y. La accuracy_score(y_true, y_pred), primul e y_true.
Dar X are 4 coloane și y are 4 valori, de ce nu merge?
Contează rândurile, nu coloanele. Dacă X are forma (1, 4), ai un singur exemplu cu 4 caracteristici; probabil trebuia reshape(-1, 1) sau ai transpus tabelul din greșeală.
Erori înrudite
ValueError: Input y contains NaN. Ținta y (coloana pe care vrei s-o prezici) are valori lipsă. Elimină rândurile fără țintă înainte de fit, din X și din y deodată, de exemplu cu df.dropna(subset=['pret']); nu completa ținta cu media. ValueError: Expected 2D array, got 1D array instead Modelul vrea X ca tabel 2D (rânduri = exemple, coloane = caracteristici), dar a primit o listă simplă 1D. Cu o singură caracteristică, folosește df[['suprafata']] (două paranteze) sau x.reshape(-1, 1); pentru un singur exemplu, [[50]]. ValueError: X has 3 features, but LinearRegression is expecting 2 features as input. Datele date la predict sau transform au alt număr de coloane decât cele de la fit (aici 3 în loc de 2). Datele noi trebuie să aibă exact aceleași caracteristici, în aceeași ordine, și să treacă prin aceleași transformări ca datele de antrenare. 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.
