我正在使用一个循环来从每个CSV行中获取值，并通过linear_regression_model进行预测。所需的输出是，对于CSV中的每一行，打印通过模型预测的值，如：

4.5004.2563.9094.565...4.433

这是我所做的：

def prediction_loop():    for index, row in ml_sample.iterrows():        print(row['column'])        new_data = OrderedDict(['column', row])        new_data = pd.Series(new_data).values.reshape(1,-1)        print(linear_regression_model.predict(new_data))

我得到的实际输出是：

Traceback (most recent call last):new_data = OrderedDict(['column', row])ValueError: too many values to unpack (expected 2)

CSV中有87行和1列。我如何优化代码？谢谢

回答：

如果我正确理解了问题，那么这可以非常高效地完成，而不需要任何外部模块的帮助。我们只需要一个简单的类来管理统计数据。假设是输入文件每行包含一个数值，这些值是Y，隐含的行号是X。试试这个：

class Stats():    def __init__(self):        self.n = 0        self.sx = 0        self.sy = 0        self.sxx = 0        self.syy = 0        self.sxy = 0    def add(self, x, y):        self.sx += x        self.sy += y        self.sxx += x * x        self.syy += y * y        self.sxy += x * y        self.n += 1    def r(self):  # 相关系数        return (self.n * self.sxy - self.sx * self.sy) / ((self.n * self.sxx - self.sx * self.sx) * (self.n * self.syy - self.sy * self.sy)) ** 0.5    def b(self):  # 斜率        return (self.n * self.sxy - self.sx * self.sy) / (self.n * self.sxx - self.sx * self.sx)    def a(self):  # 截距        return self.my() - self.b() * self.mx()    def mx(self):  # 平均x        assert self.n > 0        return self.sx / self.n    def my(self):  # 平均y        assert self.n > 0        return self.sy / self.n    def y(self, x):  # 对于给定的x估计y        return x * self.b() + self.a()stats = Stats()with open('lr.txt') as data:    for i, line in enumerate(data):        stats.add(i, float(line.split()[0]))print(f'r={stats.r():.4f} slope={stats.b():.4f} intercept={stats.a():.4f}')for x in range(stats.n):    print(f'Estimate for {x} = {stats.y(x):.2f}')