ValueError: With n_samples=1, test_size=0.3 and train_size=None, the resulting train set will be empty. Adjust any of the aforementioned parameters.
train_test_split a primit prea puține rânduri (aici unul singur), așa că după ce pune deoparte setul de test nu mai rămâne nimic pentru antrenare. De obicei un filtru a lăsat aproape nimic în tabel (o greșeală de scriere, majuscule, spații) sau ai împărțit un subset prea mic.
Explicat de Tudor Andrei Dumitrescu, Senior Software Developer, fondatorul Academiei ProgramatorilorActualizat la
Ce înseamnă
Mesajul îți arată calculul: cu n_samples rânduri și test_size dat, numărul de rânduri de antrenare ar ieși 0. Rareori ai chiar un singur exemplu. Mult mai des, X a rămas aproape gol pe drum:
- un filtru (
df[df["oras"] == "Cluj"]) n-a găsit aproape nimic, din cauza majusculelor, a spațiilor sau a diacriticelor; - ai împărțit separat un grup foarte mic (de exemplu clienții unui singur oraș, într-o buclă);
- ai construit X dintr-un singur rând (
df.iloc[[0]],head(1)) în timpul unui test și ai uitat să schimbi înapoi.
Verifică X.shape chiar înainte de train_test_split: primul număr este numărul de exemple. Dacă ai n_samples=0, filtrul n-a găsit nimic. Atenție: dacă doar X are un rând, iar y are mai multe, primești întâi eroarea inconsistent numbers of samples.
De ce apare: cauzele frecvente
1Filtru sensibil la majuscule
cluj = df[df["oras"] == "Cluj"] # în date e scris "cluj"
train_test_split(cluj[["m2"]], cluj["pret"], test_size=0.3)cluj = df[df["oras"].str.lower() == "cluj"]
train_test_split(cluj[["m2"]], cluj["pret"], test_size=0.3)Comparația de text ține cont de majuscule. Cu str.lower() filtrul găsește toate rândurile, scrise oricum.
2Filtru cu o valoare scrisă greșit
cluj = df[df["oras"] == "Cluj "]
train_test_split(cluj[["m2"]], cluj["pret"])cluj = df[df["oras"].str.strip() == "Cluj"]
train_test_split(cluj[["m2"]], cluj["pret"])Spațiul de la final făcea ca filtrul să nu găsească niciun rând. După strip(), rămân toate apartamentele din Cluj.
Repară eroarea, direct în pagină
Codul de mai jos dă ValueError: With n_samples=1, test_size=0.3 ... the resulting train set will be empty, pentru că filtrul după oraș ține cont de majuscule și găsește un singur apartament. Repară filtrul: compară orașul scris cu litere mici (str.lower()), ca programul să afișeze câte apartamente au rămas și dimensiunile seturilor.
import pandas as pd
from sklearn.model_selection import train_test_split
df = pd.DataFrame({
"oras": ["Cluj", "cluj", "cluj", "Iasi", "cluj", "cluj", "cluj", "Iasi", "cluj", "cluj", "cluj", "cluj"],
"m2": [50, 60, 55, 70, 80, 65, 45, 75, 90, 40, 58, 62],
"pret": [125, 150, 140, 120, 200, 160, 110, 130, 225, 100, 145, 155],
})
cluj = df[df["oras"] == "Cluj"]
X_train, X_test, y_train, y_test = train_test_split(cluj[["m2"]], cluj["pret"], test_size=0.3, random_state=0)
print("Apartamente in Cluj:", len(cluj))
print("Train:", len(X_train), "| test:", len(X_test))Apartamente in Cluj: 10 Train: 7 | test: 3
Indiciu
Filtrează cu df["oras"].str.lower() == "cluj".
Reparația
import pandas as pd
from sklearn.model_selection import train_test_split
df = pd.DataFrame({
"oras": ["Cluj", "cluj", "cluj", "Iasi", "cluj", "cluj", "cluj", "Iasi", "cluj", "cluj", "cluj", "cluj"],
"m2": [50, 60, 55, 70, 80, 65, 45, 75, 90, 40, 58, 62],
"pret": [125, 150, 140, 120, 200, 160, 110, 130, 225, 100, 145, 155],
})
cluj = df[df["oras"].str.lower() == "cluj"]
X_train, X_test, y_train, y_test = train_test_split(cluj[["m2"]], cluj["pret"], test_size=0.3, random_state=0)
print("Apartamente in Cluj:", len(cluj))
print("Train:", len(X_train), "| test:", len(X_test))De ce merge
Comparația df["oras"] == "Cluj" ține cont de majuscule, iar în tabel orașul e scris de cele mai multe ori "cluj", deci filtrul păstrează un singur apartament. Cu un singur exemplu, după ce 30% merg în test nu mai rămâne niciun rând pentru antrenare. str.lower() aduce toate valorile la litere mici, iar comparația cu "cluj" găsește cele 10 apartamente din Cluj: 7 merg în train și 3 în test. Când filtrezi după text, normalizează-l întâi.
Alte forme ale mesajului
ValueError: With n_samples=0, test_size=0.25 and train_size=None, the resulting train set will be empty. Adjust any of the aforementioned parameters.
Cum o eviți pe viitor
Afișează X.shape și len(y) înainte de împărțire și după fiecare filtru important. Normalizează textul înainte să filtrezi după el (str.strip().str.lower()). Dacă un grup are foarte puține date, nu-l mai împărți separat: antrenează un model pe toate datele, cu grupul ca o caracteristică, sau folosește validarea încrucișată.
Întrebări frecvente
Câte rânduri am nevoie ca să împart datele?
Tehnic, cel puțin 2. Practic, ca evaluarea pe test să spună ceva, ai nevoie de zeci sau sute de exemple; pentru seturi mici, validarea încrucișată (cross_val_score) folosește mai bine datele.
De ce mesajul spune train_size=None?
Pentru că n-ai dat train_size, deci scikit-learn îl calculează ca rest după test. Mesajul îți arată toți parametrii care au dus la un set de antrenare gol.
Erori înrudite
ValueError: test_size=30 should be either positive and smaller than the number of samples 10 or a float in the (0, 1) range Ai dat test_size un număr care nu are sens: aici 30 (probabil voiai 30%), dar datele au doar 10 rânduri. test_size acceptă fie o fracție între 0 și 1 (0.3 = 30%), fie un număr întreg de rânduri mai mic decât totalul. 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: 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. 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.
