ValueError: Shape mismatch: if categories is an array, it has to be of shape (n_features,).
Parametrul categories al lui OneHotEncoder sau OrdinalEncoder trebuie să aibă câte o listă pentru fiecare coloană, chiar dacă ai o singură coloană. Scrie categories=[["mic", "mediu", "mare"]] (listă de liste), nu categories=["mic", "mediu", "mare"].
Explicat de Tudor Andrei Dumitrescu, Senior Software Developer, fondatorul Academiei ProgramatorilorActualizat la
Ce înseamnă
Encoderele lucrează pe mai multe coloane deodată, așa că categories este o listă cu câte un element pentru fiecare coloană: elementul i conține categoriile coloanei i. Când scrii categories=["mic", "mediu", "mare"], encoderul crede că ai trei coloane (cu categoriile „mic”, „mediu” și „mare”), dar datele au una singură. „Shape mismatch” spune exact asta: numărul de liste din categories nu e egal cu numărul de coloane (n_features).
Cel mai des apare la OrdinalEncoder, unde dai categoriile ca să fixezi ordinea (mic < mediu < mare), și la OneHotEncoder, când vrei să incluzi și categorii care nu apar în datele de antrenare.
Pentru mai multe coloane, ordinea listelor trebuie să urmeze ordinea coloanelor din X.
De ce apare: cauzele frecvente
1O singură coloană, fără lista exterioară
OrdinalEncoder(categories=["mic", "mediu", "mare"])OrdinalEncoder(categories=[["mic", "mediu", "mare"]])Lista exterioară are un element pentru fiecare coloană; aici e o singură coloană, deci o singură listă interioară.
2Mai multe coloane, o singură listă
OneHotEncoder(categories=[["Cluj", "Iasi"]]).fit(df[["oras", "tip"]])OneHotEncoder(categories=[["Cluj", "Iasi"], ["bloc", "casa"]]).fit(df[["oras", "tip"]])Două coloane cer două liste, în aceeași ordine ca în X.
3Ai vrut categoriile automate
OneHotEncoder(categories=["auto"])OneHotEncoder(categories="auto")"auto" se dă ca text simplu, nu într-o listă.
Repară eroarea, direct în pagină
Codul de mai jos dă ValueError: Shape mismatch: if categories is an array, it has to be of shape (n_features,). Coloana marime e una singură, deci categoriile trebuie date ca listă de liste. Repară parametrul, ca programul să afișeze codurile mic = 0, mediu = 1, mare = 2.
import pandas as pd
from sklearn.preprocessing import OrdinalEncoder
df = pd.DataFrame({"marime": ["mare", "mic", "mediu", "mic", "mare"]})
enc = OrdinalEncoder(categories=["mic", "mediu", "mare"])
coduri = enc.fit_transform(df[["marime"]])
print("Coduri:", coduri.ravel().astype(int).tolist())Coduri: [2, 0, 1, 0, 2]
Indiciu
Scrie categories=[["mic", "mediu", "mare"]].
Reparația
import pandas as pd
from sklearn.preprocessing import OrdinalEncoder
df = pd.DataFrame({"marime": ["mare", "mic", "mediu", "mic", "mare"]})
enc = OrdinalEncoder(categories=[["mic", "mediu", "mare"]])
coduri = enc.fit_transform(df[["marime"]])
print("Coduri:", coduri.ravel().astype(int).tolist())De ce merge
Lista exterioară are acum un singur element, adică o listă de categorii pentru singura coloană din X. Encoderul folosește ordinea dată: „mic” primește 0, „mediu” 1 și „mare” 2. Fără categorii explicite, ordinea ar fi fost alfabetică, iar „mare” ar fi primit 0.
Alte forme ale mesajului
ValueError: Shape mismatch: if categories is an array, it has to be of shape (n_features,)
Cum o eviți pe viitor
Când scrii categories, gândește-te la el ca la un tabel: un rând pentru fiecare coloană din X. Pentru o singură coloană, verifică cele două paranteze pătrate de la început. Ține categoriile într-un dicționar {coloana: [valori]} și construiește lista din el, în ordinea coloanelor: [cat[c] for c in coloane].
Întrebări frecvente
De ce să dau categoriile, dacă encoderul le găsește singur?
La OrdinalEncoder, ordinea automată e alfabetică (mare < mediu < mic), deci greșită pentru mărimi. La OneHotEncoder, poți include categorii care nu apar în datele de antrenare.
Ce se întâmplă dacă în date apare o categorie care nu e în listă?
Primești Found unknown categories ... during fit. Adaug-o în listă sau folosește handle_unknown.
Erori înrudite
ValueError: Found unknown categories ['Iasi'] in column 0 during transform OneHotEncoder a văzut la fit doar anumite categorii, iar la transform (pe test sau pe date noi) apare una nouă, aici 'Iasi'. Creează encoderul cu handle_unknown='ignore', ca valorile noi să devină un rând de zerouri, sau antrenează-l pe date care conțin toate categoriile. TypeError: unknown_value should be an integer or np.nan when handle_unknown is 'use_encoded_value', got None. Ai setat OrdinalEncoder(handle_unknown="use_encoded_value"), dar nu ai spus ce cod primesc categoriile necunoscute. Adaugă unknown_value, de obicei -1 sau np.nan: OrdinalEncoder(handle_unknown="use_encoded_value", unknown_value=-1). TypeError: Encoders require their input argument must be uniformly strings or numbers. Got ['int', 'str'] Coloana dată lui OneHotEncoder, OrdinalEncoder sau LabelEncoder amestecă numere cu text (de exemplu 1, 2 și "parter"). Encoderul trebuie să poată sorta valorile, deci toate trebuie să fie de același tip: convertește coloana cu astype(str) sau înlocuiește textul cu un număr. 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.
