<\/p>\n
Ein Fehler, der bei der Verwendung von Python auftreten kann, ist:<\/span><\/p>\n Dieser Fehler tritt auf, wenn Sie versuchen, ein Regressionsmodell in Python anzupassen und die kategorialen Variablen vor der Anpassung des Modells nicht in Dummy-Variablen<\/a> konvertieren k\u00f6nnen.<\/span><\/p>\n Das folgende Beispiel zeigt, wie dieser Fehler in der Praxis behoben werden kann.<\/span><\/p>\n Angenommen, wir haben den folgenden Pandas-DataFrame:<\/span><\/p>\n Nehmen wir nun an, wir versuchen, ein multiples lineares Regressionsmodell<\/a> anzupassen, indem wir Team, Assists und Rebounds als Pr\u00e4diktorvariablen und Punkte als Antwortvariable verwenden<\/a> :<\/span><\/p>\n Wir erhalten eine Fehlermeldung, weil die Variable \u201eteam\u201c kategorisch ist und wir sie vor der Anpassung des Regressionsmodells nicht in eine Dummy-Variable konvertiert haben.<\/span><\/p>\n Der einfachste Weg, diesen Fehler zu beheben, besteht darin, die Variable \u201eteam\u201c mithilfe der Funktion pandas.get_dummies()<\/a> in eine Dummy-Variable umzuwandeln.<\/span><\/p>\n Hinweis<\/strong> : Schauen Sie sich dieses Tutorial<\/a> an, um eine kurze Auffrischung der Dummy-Variablen in Regressionsmodellen zu erhalten.<\/span><\/p>\n Der folgende Code zeigt, wie man \u201eteam\u201c in eine Dummy-Variable umwandelt:<\/span><\/p>\n Die Werte in der Spalte \u201eTeam\u201c wurden von \u201eA\u201c und \u201eB\u201c auf 0 und 1 umgerechnet.<\/span><\/span><\/p>\n Wir k\u00f6nnen jetzt das multiple lineare Regressionsmodell mithilfe der neuen Variablen \u201eteam_B\u201c anpassen:<\/span><\/p>\n Beachten Sie, dass wir dieses Mal das Regressionsmodell fehlerfrei anpassen k\u00f6nnen.<\/span><\/p>\n Hinweis<\/strong> : Die vollst\u00e4ndige Dokumentation f\u00fcr die Funktion ols()<\/strong> finden Sie hier<\/a> in der statsmodels-Bibliothek.<\/span><\/p>\n Die folgenden Tutorials erkl\u00e4ren, wie Sie andere h\u00e4ufige Fehler in Python beheben:<\/span><\/p>\n So beheben Sie KeyError in Pandas<\/a> Ein Fehler, der bei der Verwendung von Python auftreten kann, ist: ValueError : Pandas data cast to numpy dtype of object. Check input data with np.asarray(data). Dieser Fehler tritt auf, wenn Sie versuchen, ein Regressionsmodell in Python anzupassen und die kategorialen Variablen vor der Anpassung des Modells nicht in Dummy-Variablen konvertieren k\u00f6nnen. Das folgende Beispiel […]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[11],"tags":[],"yoast_head":"\n ValueError<\/span> : Pandas data cast to numpy dtype of object. Check input data with\nnp.asarray(data).\n<\/strong><\/pre>\n So reproduzieren Sie den Fehler<\/strong><\/span><\/h3>\n
import<\/span> pandas as<\/span> pd\n\n#createDataFrame\n<\/span>df = pd. DataFrame<\/span> ({' team<\/span> ': ['A', 'A', 'A', 'A', 'B', 'B', 'B', 'B'],\n ' assists<\/span> ': [5, 7, 7, 9, 12, 9, 9, 4],\n ' rebounds<\/span> ': [11, 8, 10, 6, 6, 5, 9, 12],\n ' points<\/span> ': [14, 19, 8, 12, 17, 19, 22, 25]})\n\n#view DataFrame\n<\/span>df\n\n\tteam assists rebounds points\n0 A 5 11 14\n1 To 7 8 19\n2 A 7 10 8\n3 to 9 6 12\n4 B 12 6 17\n5 B 9 5 19\n6 B 9 9 22\n7 B 4 12 25<\/span><\/span><\/strong><\/pre>\n import<\/span> statsmodels. api<\/span> as<\/span> sm\n\n#define response variable\n<\/span>y = df['points']\n\n#define predictor variables\n<\/span>x = df[['team', 'assists', 'rebounds']]\n\n#add constant to predictor variables\n<\/span>x = sm. add_constant<\/span> (x)\n\n#attempt to fit regression model\n<\/span>model = sm. OLS<\/span> (y,x). fit<\/span> ()\n\nValueError<\/span> : Pandas data cast to numpy dtype of object. Check input data with\nnp.asarray(data).\n<\/span><\/span><\/strong><\/pre>\n So beheben Sie den Fehler<\/strong><\/span><\/h3>\n
import<\/span> pandas as<\/span> pd\n\n#createDataFrame\n<\/span>df = pd. DataFrame<\/span> ({' team<\/span> ': ['A', 'A', 'A', 'A', 'B', 'B', 'B', 'B'],\n ' assists<\/span> ': [5, 7, 7, 9, 12, 9, 9, 4],\n ' rebounds<\/span> ': [11, 8, 10, 6, 6, 5, 9, 12],\n ' points<\/span> ': [14, 19, 8, 12, 17, 19, 22, 25]})\n\n#convert \"team\" to dummy variable\n<\/span>df = pd. get_dummies<\/span> (df, columns=[' team<\/span> '], drop_first= True<\/span> )\n\n#view updated DataFrame\n<\/span>df\n\n assists rebounds points team_B\n0 5 11 14 0\n1 7 8 19 0\n2 7 10 8 0\n3 9 6 12 0\n4 12 6 17 1\n5 9 5 19 1\n6 9 9 22 1\n7 4 12 25 1<\/span><\/span><\/strong><\/pre>\n import<\/span> statsmodels. api<\/span> as<\/span> sm\n\n#define response variable\n<\/span>y = df['points']\n\n#define predictor variables\n<\/span>x = df[['team_B', 'assists', 'rebounds']]\n\n#add constant to predictor variables\n<\/span>x = sm. add_constant<\/span> (x)\n\n#fit regression model\n<\/span>model = sm. OLS<\/span> (y,x). fit<\/span> ()\n\n#view summary of model fit\n<\/span>print<\/span> ( model.summary<\/span> ())\n\n OLS Regression Results \n==================================================== ============================\nDept. Variable: R-squared points: 0.701\nModel: OLS Adj. R-squared: 0.476\nMethod: Least Squares F-statistic: 3.119\nDate: Thu, 11 Nov 2021 Prob (F-statistic): 0.150\nTime: 14:49:53 Log-Likelihood: -19.637\nNo. Observations: 8 AIC: 47.27\nDf Residuals: 4 BIC: 47.59\nDf Model: 3 \nCovariance Type: non-robust \n==================================================== ============================\n coef std err t P>|t| [0.025 0.975]\n-------------------------------------------------- ----------------------------\nconst 27.1891 17.058 1.594 0.186 -20.171 74.549\nteam_B 9.1288 3.032 3.010 0.040 0.709 17.548\nassists -1.3445 1.148 -1.171 0.307 -4.532 1.843\nrebounds -0.5174 1.099 -0.471 0.662 -3.569 2.534\n==================================================== ============================\nOmnibus: 0.691 Durbin-Watson: 3.075\nProb(Omnibus): 0.708 Jarque-Bera (JB): 0.145\nSkew: 0.294 Prob(JB): 0.930\nKurtosis: 2.698 Cond. No. 140.\n==================================================== ============================\n<\/span><\/span><\/strong><\/pre>\n Zus\u00e4tzliche Ressourcen<\/strong><\/span><\/h3>\n
So beheben Sie: ValueError: Float NaN kann nicht in int konvertiert werden<\/a>
So beheben Sie: ValueError: Operanden konnten nicht mit Formen \u00fcbertragen werden<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"