Nasıl düzeltilir: panda verileri numpy nesne türüne dönüştürülür. giriş verilerini np.asarray(data) ile kontrol edin.

Python kullanırken karşılaşabileceğiniz bir hata:

 ValueError : Pandas data cast to numpy dtype of object. Check input data with
np.asarray(data).

Bu hata, Python’da bir regresyon modeli uydurmaya çalıştığınızda ve modeli yerleştirmeden önce kategorik değişkenleri kukla değişkenlere dönüştüremediğinizde ortaya çıkar.

Aşağıdaki örnekte bu hatanın pratikte nasıl düzeltileceği gösterilmektedir.

Hata nasıl yeniden oluşturulur?

Aşağıdaki pandalara sahip olduğumuzu varsayalım DataFrame:

 import pandas as pd

#createDataFrame
df = pd. DataFrame ({' team ': ['A', 'A', 'A', 'A', 'B', 'B', 'B', 'B'],
                   ' assists ': [5, 7, 7, 9, 12, 9, 9, 4],
                   ' rebounds ': [11, 8, 10, 6, 6, 5, 9, 12],
                   ' points ': [14, 19, 8, 12, 17, 19, 22, 25]})

#view DataFrame
df

	team assists rebounds points
0 A 5 11 14
1 To 7 8 19
2 A 7 10 8
3 to 9 6 12
4 B 12 6 17
5 B 9 5 19
6 B 9 9 22
7 B 4 12 25

Şimdi, tahmin değişkenleri olarak takım, asist ve ribaundları ve tepki değişkeni olarak da puanları kullanarak çoklu doğrusal regresyon modelini uydurmaya çalıştığımızı varsayalım:

 import statsmodels. api as sm

#define response variable
y = df['points']

#define predictor variables
x = df[['team', 'assists', 'rebounds']]

#add constant to predictor variables
x = sm. add_constant (x)

#attempt to fit regression model
model = sm. OLS (y,x). fit ()

ValueError : Pandas data cast to numpy dtype of object. Check input data with
np.asarray(data).

“Takım” değişkeni kategorik olduğundan ve regresyon modeline uymadan önce onu kukla değişkene dönüştürmediğimizden hata alıyoruz.

Hata nasıl düzeltilir?

Bu hatayı düzeltmenin en kolay yolu “team” değişkenini pandas.get_dummies() işlevini kullanarak yapay bir değişkene dönüştürmektir.

Not : Regresyon modellerindeki kukla değişkenler hakkında hızlı bir bilgi tazelemesi için bu eğitime göz atın.

Aşağıdaki kod “takım”ın yapay bir değişkene nasıl dönüştürüleceğini gösterir:

 import pandas as pd

#createDataFrame
df = pd. DataFrame ({' team ': ['A', 'A', 'A', 'A', 'B', 'B', 'B', 'B'],
                   ' assists ': [5, 7, 7, 9, 12, 9, 9, 4],
                   ' rebounds ': [11, 8, 10, 6, 6, 5, 9, 12],
                   ' points ': [14, 19, 8, 12, 17, 19, 22, 25]})

#convert "team" to dummy variable
df = pd. get_dummies (df, columns=[' team '], drop_first= True )

#view updated DataFrame
df

        assists rebounds points team_B
0 5 11 14 0
1 7 8 19 0
2 7 10 8 0
3 9 6 12 0
4 12 6 17 1
5 9 5 19 1
6 9 9 22 1
7 4 12 25 1

“Takım” sütunundaki değerler “A” ve “B”den 0 ve 1’e dönüştürülmüştür.

Artık yeni “team_B” değişkenini kullanarak çoklu doğrusal regresyon modelini yerleştirebiliriz:

 import statsmodels. api as sm

#define response variable
y = df['points']

#define predictor variables
x = df[['team_B', 'assists', 'rebounds']]

#add constant to predictor variables
x = sm. add_constant (x)

#fit regression model
model = sm. OLS (y,x). fit ()

#view summary of model fit
print ( model.summary ())

                            OLS Regression Results                            
==================================================== ============================
Dept. Variable: R-squared points: 0.701
Model: OLS Adj. R-squared: 0.476
Method: Least Squares F-statistic: 3.119
Date: Thu, 11 Nov 2021 Prob (F-statistic): 0.150
Time: 14:49:53 Log-Likelihood: -19.637
No. Observations: 8 AIC: 47.27
Df Residuals: 4 BIC: 47.59
Df Model: 3                                         
Covariance Type: non-robust                                         
==================================================== ============================
                 coef std err t P>|t| [0.025 0.975]
-------------------------------------------------- ----------------------------
const 27.1891 17.058 1.594 0.186 -20.171 74.549
team_B 9.1288 3.032 3.010 0.040 0.709 17.548
assists -1.3445 1.148 -1.171 0.307 -4.532 1.843
rebounds -0.5174 1.099 -0.471 0.662 -3.569 2.534
==================================================== ============================
Omnibus: 0.691 Durbin-Watson: 3.075
Prob(Omnibus): 0.708 Jarque-Bera (JB): 0.145
Skew: 0.294 Prob(JB): 0.930
Kurtosis: 2.698 Cond. No. 140.
==================================================== ============================

Bu sefer regresyon modelini hatasız bir şekilde sığdırabildiğimizi unutmayın.

Not : Ols() işlevine ilişkin tüm belgeleri buradaki statsmodels kitaplığında bulabilirsiniz.

Ek kaynaklar

Aşağıdaki eğitimlerde Python’daki diğer yaygın hataların nasıl düzeltileceği açıklanmaktadır:

Pandas’ta KeyError Nasıl Düzeltilir
Nasıl düzeltilir? ValueError: float NaN int’ye dönüştürülemiyor
Nasıl düzeltilir? ValueError: İşlenenler şekillerle yayınlanamadı