<\/p>\n
B\u0142\u0105d, kt\u00f3ry mo\u017cesz napotka\u0107 podczas korzystania z Pythona, to:<\/span><\/p>\n Ten b\u0142\u0105d wyst\u0119puje, gdy pr\u00f3bujesz dopasowa\u0107 model regresji w Pythonie i nie mo\u017cesz przekonwertowa\u0107 zmiennych kategorycznych na zmienne fikcyjne<\/a> przed dopasowaniem modelu.<\/span><\/p>\n Poni\u017cszy przyk\u0142ad pokazuje, jak w praktyce skorygowa\u0107 ten b\u0142\u0105d.<\/span><\/p>\n Za\u0142\u00f3\u017cmy, \u017ce mamy nast\u0119puj\u0105c\u0105 ramk\u0119 DataFrame pand:<\/span><\/p>\n Za\u0142\u00f3\u017cmy teraz, \u017ce pr\u00f3bujemy dopasowa\u0107 model regresji liniowej,<\/a> wykorzystuj\u0105c zesp\u00f3\u0142, asysty i zbi\u00f3rki jako zmienne predykcyjne oraz punkty jakozmienn\u0105 odpowiedzi<\/a> :<\/span><\/p>\n Otrzymujemy b\u0142\u0105d, poniewa\u017c zmienna \u201ezesp\u00f3\u0142\u201d jest kategoryczna i nie przekonwertowali\u015bmy jej na zmienn\u0105 fikcyjn\u0105 przed dopasowaniem modelu regresji.<\/span><\/p>\n Naj\u0142atwiejszym sposobem naprawienia tego b\u0142\u0119du jest konwersja zmiennej \u201ezesp\u00f3\u0142\u201d na zmienn\u0105 fikcyjn\u0105 za pomoc\u0105 funkcji pandas.get_dummies()<\/a> .<\/span><\/p>\n Uwaga<\/strong> : zapoznaj si\u0119 z tym samouczkiem<\/a> , aby szybko od\u015bwie\u017cy\u0107 wiedz\u0119 na temat zmiennych fikcyjnych w modelach regresji.<\/span><\/p>\n Poni\u017cszy kod pokazuje, jak przekonwertowa\u0107 \u201ezesp\u00f3\u0142\u201d na zmienn\u0105 fikcyjn\u0105:<\/span><\/p>\n Warto\u015bci w kolumnie \u201ezesp\u00f3\u0142\u201d zosta\u0142y przekonwertowane z \u201eA\u201d i \u201eB\u201d na 0 i 1.<\/span><\/span><\/p>\n Mo\u017cemy teraz dopasowa\u0107 model regresji liniowej za pomoc\u0105 nowej zmiennej \u201eteam_B\u201d:<\/span><\/p>\n Nale\u017cy zauwa\u017cy\u0107, \u017ce tym razem jeste\u015bmy w stanie dopasowa\u0107 model regresji bez \u017cadnych b\u0142\u0119d\u00f3w.<\/span><\/p>\n Uwaga<\/strong> : pe\u0142n\u0105 dokumentacj\u0119 funkcji ols()<\/strong> mo\u017cna znale\u017a\u0107 w bibliotece statsmodels tutaj<\/a> .<\/span><\/p>\n Poni\u017csze samouczki wyja\u015bniaj\u0105, jak naprawi\u0107 inne typowe b\u0142\u0119dy w Pythonie:<\/span><\/p>\n Jak naprawi\u0107 b\u0142\u0105d KeyError w Pandach<\/a> B\u0142\u0105d, kt\u00f3ry mo\u017cesz napotka\u0107 podczas korzystania z Pythona, to: ValueError : Pandas data cast to numpy dtype of object. Check input data with np.asarray(data). Ten b\u0142\u0105d wyst\u0119puje, gdy pr\u00f3bujesz dopasowa\u0107 model regresji w Pythonie i nie mo\u017cesz przekonwertowa\u0107 zmiennych kategorycznych na zmienne fikcyjne przed dopasowaniem modelu. Poni\u017cszy przyk\u0142ad pokazuje, jak w praktyce skorygowa\u0107 ten b\u0142\u0105d. […]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[3],"tags":[],"class_list":["post-2419","post","type-post","status-publish","format-standard","hentry","category-przewodnik"],"yoast_head":"\n ValueError<\/span> : Pandas data cast to numpy dtype of object. Check input data with\nnp.asarray(data).\n<\/strong><\/pre>\n Jak odtworzy\u0107 b\u0142\u0105d<\/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 Jak naprawi\u0107 b\u0142\u0105d<\/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 Dodatkowe zasoby<\/strong><\/span><\/h3>\n
Jak naprawi\u0107: ValueError: Nie mo\u017cna przekonwertowa\u0107 float NaN na int<\/a>
Jak naprawi\u0107: B\u0142\u0105d warto\u015bci: Nie mo\u017cna rozg\u0142asza\u0107 argument\u00f3w z kszta\u0142tami<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"