我在制作一个用于情感分析的逻辑回归模型时遇到了这个问题 – ValueError: Found input variables with inconsistent numbers of samples: [32979, 21602]。当我尝试将数据集分割成x和y的训练集和验证集时，出现了这个错误。

# 将数据分割成训练集和验证集
xtrain_bow, xvalid_bow, ytrain, yvalid = train_test_split(train_bow, train['label'], test_size=0.3, random_state=42)
lreg = LogisticRegression() # 训练模型
lreg.fit(xtrain_bow, ytrain)
prediction = lreg.predict_proba(xvalid_bow) # 在验证集上进行预测
prediction_int = prediction[:,1] >= 0.3 # 如果预测值大于或等于0.3，则为1，否则为0
prediction_int = prediction_int.astype(np.int)
f1_score(yvalid, prediction_int) # 计算验证集的f1分数

我在一些帖子中看到，这可能是由于X和y的形状不匹配导致的，所以我打印了数据集的形状。我将数据集分割成85%用于训练，其余用于测试/验证。

# 提取训练和测试的BoW特征
split_frac = 0.85
split_num = int(len(combi['tidy_tweet']) * split_frac)
train_bow = bow[:split_num,:]
test_bow = bow[split_num:,:]
print(train_bow.shape)
print(test_bow.shape)
print(train['label'].shape)
(32979, 1000)
(5820, 1000)
(21602,)

问题也出现在这行代码 –

----> 1 xtrain_bow, xvalid_bow, ytrain, yvalid = train_test_split(train_bow, train['label'], test_size=0.3, random_state=42)
      2 lreg = LogisticRegression() # 训练模型
      3 lreg.fit(xtrain_bow, ytrain)

现在我完全不知道是什么导致了这个问题？你们能帮帮我吗？提前感谢你们。

回答：

你遇到上述错误是因为在train_test_split()函数中的第二个参数，即标签的长度是21602，而第一个参数的长度是32979，这显然是不正确的。X和Y数据的长度必须相同。所以，请检查train_bow和train['label']的长度。

因此，只需将

xtrain_bow, xvalid_bow, ytrain, yvalid = train_test_split(train_bow, train['label'], test_size=0.3, random_state=42) 修改为如下所示：

xtrain_bow, xvalid_bow, ytrain, yvalid = train_test_split(bow[:split_num,:-1], bow[:split_num,-1], test_size=0.3, random_state=42)

（假设bow包含特征和标签，标签是最后一列）。

阅读更多关于sklearn.model_selection.train_test_split的信息，请访问这里。