...
Eroare Machine Learning · Forma datelor: X 2D, y 1D, număr de rânduri

ValueError: Incompatible dimension for X and Y matrices: X.shape[1] == 3 while Y.shape[1] == 2

Pe scurt

Funcțiile de distanță și similaritate (cosine_similarity, euclidean_distances, pairwise_distances) compară vectori cu același număr de coloane, iar ai tăi au număr diferit. Construiește ambele matrici din aceleași coloane, în aceeași ordine, de exemplu cu reindex(columns=...).

Explicat de Tudor Andrei Dumitrescu, Senior Software Developer, fondatorul Academiei ProgramatorilorActualizat la

Ce înseamnă

Funcțiile din sklearn.metrics.pairwise calculează distanța dintre fiecare rând din X și fiecare rând din Y. Pentru asta, rândurile trebuie să aibă aceeași lungime: un client descris prin 3 produse nu poate fi comparat cu unul descris prin 2. Mesajul îți dă exact lungimile: X.shape[1] == 3 (3 coloane în X) și Y.shape[1] == 2 (2 coloane în Y).

Situația apare în sisteme de recomandare și la k-NN făcut de mână: matricea clienților are o coloană pentru fiecare produs, iar vectorul clientului nou a fost scris de mână sau construit dintr-un alt tabel, fără produsele pe care nu le-a cumpărat. Același lucru se întâmplă după pd.get_dummies aplicat separat pe două tabele. Repari aliniind coloanele: nou.reindex(columns=clienti.columns, fill_value=0).

De ce apare: cauzele frecvente

1Clientul nou are mai puține coloane

Greșit
PYTHON
clienti = [[5, 0, 2], [1, 4, 0]]  # paine, lapte, cafea
nou = [[3, 1]]  # lipsește cafeaua
cosine_similarity(nou, clienti)
Corect
PYTHON
clienti = [[5, 0, 2], [1, 4, 0]]
nou = [[3, 1, 0]]
cosine_similarity(nou, clienti)

Fiecare poziție din vector înseamnă același produs, deci și clientul nou are nevoie de o valoare (0) pentru cafea.

2get_dummies aplicat separat pe două tabele

Greșit
PYTHON
A = pd.get_dummies(vechi["oras"])  # 3 orașe
B = pd.get_dummies(nou["oras"])    # 2 orașe
euclidean_distances(B, A)
Corect
PYTHON
A = pd.get_dummies(vechi["oras"])
B = pd.get_dummies(nou["oras"]).reindex(columns=A.columns, fill_value=0)
euclidean_distances(B, A)

reindex adaugă coloanele care lipsesc (cu 0) și le pune în aceeași ordine ca în tabelul de referință.

Repară tu

Repară eroarea, direct în pagină

Codul de mai jos dă ValueError: Incompatible dimension for X and Y matrices, pentru că profilul clientului nou nu are coloana cafea. Repară-l: aliniază clientul nou la coloanele tabelului clienti (cu 0 unde lipsește), ca programul să afișeze cu ce client seamănă cel mai mult.

Codul care dă eroarea
PYTHON
import pandas as pd
from sklearn.metrics.pairwise import cosine_similarity

clienti = pd.DataFrame(
    {"paine": [5, 0, 2], "lapte": [1, 4, 0], "cafea": [0, 3, 6]},
    index=["Ana", "Bogdan", "Carmen"],
)
nou = pd.DataFrame({"paine": [4], "lapte": [1]})

sim = cosine_similarity(nou, clienti)[0]
print("Similaritati:", [round(s, 2) for s in sim])
print("Cel mai asemanator:", clienti.index[sim.argmax()])
După reparație, programul afișează
Similaritati: [1.0, 0.19, 0.31]
Cel mai asemanator: Ana
Indiciu

nou = nou.reindex(columns=clienti.columns, fill_value=0).

Alte forme ale mesajului

  • ValueError: Incompatible dimension for X and Y matrices: X.shape[1] == 4 while Y.shape[1] == 5
  • ValueError: Incompatible dimension for X and Y matrices: X.shape[1] == 2 while Y.shape[1] == 3

Cum o eviți pe viitor

Ține lista de coloane într-o singură variabilă (de exemplu produse = ["paine", "lapte", "cafea"]) și construiește fiecare vector din ea, cu reindex(columns=produse, fill_value=0). Când transformi categorii în coloane, folosește un singur OneHotEncoder antrenat o dată și aplicat cu transform pe toate datele, nu get_dummies separat.

Întrebări frecvente

De ce nu dă eroare dacă am același număr de coloane, dar în altă ordine?

Pentru că funcția vede doar numere, nu nume de coloane. Distanța se calculează, dar e greșită: compari pâinea unui client cu laptele altuia. De aceea reindex pe aceleași coloane e important și când numărul lor e corect.

E aceeași eroare cu X has 3 features, but ... is expecting 2?

Ideea e aceeași (număr diferit de coloane), dar acela apare la predict pe un model antrenat. Mesajul de aici vine din funcțiile de distanță, care primesc direct două matrici.

Erori înrudite

← Toate erorile Machine Learning

Tudor Andrei Dumitrescu
Cine a explicat eroarea

Tudor Andrei Dumitrescu

Senior Software Developer · fondatorul Academiei Programatorilor

LinkedIn
  1. 2019 Junior JavaCognizant Softvision
  2. 2021 Mid JavaCognizant Softvision
  3. 2022 Team LeaderEndava
  4. 2023 Senior Software DeveloperUniCredit
  5. Acum Senior Software DeveloperHCLTech
Certificat de absolvire Instructor / Preparator formare, Tudor Andrei Dumitrescu
Certificat de formator autorizatMinisterul Muncii și Ministerul Educației · 2022
Certificat de absolvire Instructor / Preparator formare, Tudor Andrei Dumitrescu

Certificat de formator autorizat · Ministerul Muncii și Ministerul Educației · 2022

Din 2020 construiește Academia Programatorilor, iar din 2026 și JoburiIT.ro. Fiecare eroare de aici a fost reprodusă în editorul nostru: codul greșit chiar dă mesajul din titlu, iar reparația chiar funcționează.

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.